Agregacja przez próbkowanie losowe (bagging)
W ostatniej lekcji miałeś okazję zapoznać się z modelami klasyfikacji, stosując regresję logistyczną na danych z wytworzonymi cechami. Na rozmowach kwalifikacyjnych z uczenia maszynowego warto znać modele zespołowe, ponieważ łączą one słabe modele bazowe w jeden silny model o wyższej dokładności.
W tym ćwiczeniu zaczniesz od zastosowania klasyfikatora baggingowego, który korzysta z próbkowania ze zwracaniem, aby zachować losowość i ograniczyć przeuczenie. Skorzystasz z funkcji modułu sklearn.ensemble, który był omawiany w lekcji wideo.
Wszystkie potrzebne pakiety zostały już zaimportowane:
pandas jako pd, train_test_split z sklearn.model_selection, accuracy_score z sklearn.metrics, LogisticRegression z sklearn.linear_model oraz BaggingClassifier i AdaBoostClassifier z sklearn.ensemble.
Ramka danych loan_data jest już podzielona na X_train, X_test, y_train i y_test.
To ćwiczenie jest częścią kursu
Ćwiczenie pytań rekrutacyjnych z uczenia maszynowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Instantiate bootstrap aggregation model
bagged_model = ____(____=____, random_state=123)