Wynik OOB a wynik na zbiorze testowym
Teraz, gdy masz już zainicjowany obiekt bc, dopasuj go do zbioru treningowego i oceń jego dokładność na zbiorze testowym oraz dokładność OOB.
Zbiór danych został za ciebie przetworzony i podzielony w proporcji 80% trening / 20% test. Macierze cech X_train i X_test, a także tablice etykiet y_train i y_test są dostępne w twoim środowisku. Dodatkowo załadowany został klasyfikator bc zainicjowany w poprzednim ćwiczeniu oraz funkcja accuracy_score() z biblioteki sklearn.metrics.
To ćwiczenie jest częścią kursu
Uczenie maszynowe z modelami drzewiastymi w Pythonie
Instrukcje do ćwiczenia
Dopasuj
bcdo zbioru treningowego, przewidź etykiety dla zbioru testowego i przypisz wyniki do zmiennejy_pred.Oblicz dokładność na zbiorze testowym
acc_test, używając funkcjiaccuracy_score.Oblicz dokładność OOB klasyfikatora
bc— zapisz ją jakoacc_oob— wyodrębniając atrybutoob_score_z obiektubc.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Fit bc to the training set
____.____(____, ____)
# Predict test set labels
y_pred = ____.____(____)
# Evaluate test set accuracy
acc_test = ____(____, ____)
# Evaluate OOB accuracy
acc_oob = ____.____
# Print acc_test and acc_oob
print('Test set accuracy: {:.3f}, OOB accuracy: {:.3f}'.format(acc_test, acc_oob))