Budowanie klasyfikatora stackingowego

Teraz zajmiesz się kolejnymi dwoma krokami.

Krok 3: Dołączenie prognoz do zbioru danych: klasa StackingClassifier obsługuje to wewnętrznie, ale ze swojej strony przygotujesz listę klasyfikatorów pierwszej warstwy – tych, które utworzyłeś w poprzednim ćwiczeniu. Są dostępne jako: clf_dt i clf_knn.

Krok 4: Zbudowanie meta-estymatora drugiej warstwy: w tym celu użyjesz domyślnego LogisticRegression. Jako cechy wejściowe przyjmie on indywidualne prognozy z bazowych estymatorów.

Mając gotowe oba poziomy estymatorów, możesz zbudować klasyfikator stackingowy.

To ćwiczenie jest częścią kursu

Metody zespołowe w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Przygotuj listę krotek z klasyfikatorami pierwszej warstwy: clf_dt i clf_knn (podając odpowiednie etykiety i kolejność).
Zainicjuj meta-estymator drugiej warstwy: LogisticRegression.
Zbuduj klasyfikator stackingowy, przekazując: listę krotek, meta-klasyfikator, parametr stack_method='predict_proba' (aby korzystać z prawdopodobieństw klas) oraz passthrough = False (aby jako cechy używać wyłącznie prognoz).

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Prepare the list of tuples with the first-layer classifiers
classifiers = [
	____,
    ____
]

# Instantiate the second-layer meta estimator
clf_meta = ____

# Build the stacking classifier
clf_stack = ____(
   ____,
   ____,
   ____,
   ____)

Edytuj i uruchom kod