Verificando o out-of-bag score
Agora vamos verificar o out-of-bag score do modelo do exercício anterior.
Até aqui você usou o F1 score para medir desempenho. No entanto, neste exercício você deve usar a acurácia para poder compará-la facilmente ao out-of-bag score.
O classificador de árvore de decisão do exercício anterior, clf_dt, está disponível no seu workspace.
O conjunto de dados pokemon já está carregado e dividido em treino e teste.
Além disso, o classificador de árvore de decisão foi ajustado e está disponível para você como clf_dt para usá-lo como estimador base.
Este exercício faz parte do curso
Métodos de Ensemble em Python
Instruções do exercício
- Construa o classificador de bagging usando a árvore de decisão como estimador base e 21 estimadores. Desta vez, use o out-of-bag score especificando um argumento para o parâmetro
oob_score. - Imprima o out-of-bag score do classificador.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Build and train the bagging classifier
clf_bag = ____(
____,
____,
____,
random_state=500)
clf_bag.fit(X_train, y_train)
# Print the out-of-bag score
print('OOB-Score: {:.3f}'.format(____))
# Evaluate the performance on the test set to compare
pred = clf_bag.predict(X_test)
print('Accuracy: {:.3f}'.format(accuracy_score(y_test, pred)))