Bagging: o jeito scikit-learn
Agora vamos aplicar o BaggingClassifier do scikit-learn ao conjunto de dados de Pokémon.
Você obteve um F1 score em torno de 0.63 com seu ensemble de bagging personalizado.
Será que o BaggingClassifier() supera esse resultado? Vamos descobrir!
Este exercício faz parte do curso
Métodos de Ensemble em Python
Instruções do exercício
- Instancie o modelo base,
clf_dt: uma árvore de decisão “restrita” com profundidade máxima de 4. - Construa um classificador de bagging com a árvore de decisão como estimador base, usando 21 estimadores.
- Preveja os rótulos do conjunto de teste.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Instantiate the base model
clf_dt = ____
# Build the Bagging classifier
clf_bag = ____(____, ____, random_state=500)
# Fit the Bagging model to the training set
clf_bag.fit(X_train, y_train)
# Predict the labels of the test set
pred = ____
# Show the F1-score
print('F1-Score: {:.3f}'.format(f1_score(y_test, pred)))