Prevendo mortes em GoT

Embora a variável alvo não tenha valores ausentes, outras features têm. Como o foco do curso não é limpeza e pré-processamento de dados, nós já fizemos o seguinte pré-processamento para você:

Substituímos valores NA por 0.
Substituímos valores negativos de idade por 0.
Substituímos valores NA de idade pela média.

Agora, vamos construir um modelo de ensemble usando a técnica de média (averaging). Os seguintes modelos individuais já foram construídos:

Regressão Logística (clf_lr).
Árvore de Decisão (clf_dt).
Support Vector Machine (clf_svm).

Como o alvo é binário, todos esses modelos podem ter bom desempenho individual. Seu objetivo é combiná-los usando média. Lembre-se do vídeo: isso é o mesmo que uma abordagem de votação soft, então você ainda deve usar VotingClassifier().

Este exercício faz parte do curso

Métodos de Ensemble em Python

Ver curso

Instruções do exercício

Configure a lista de tuplas (string, estimator). Use 'lr' para clf_lr, 'dt' para clf_dt e 'svm' para clf_svm.
Construa um classificador por média chamado clf_avg. Lembre-se de especificar um argumento para o parâmetro voting.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Build the individual models
clf_lr = LogisticRegression(class_weight='balanced')
clf_dt = DecisionTreeClassifier(min_samples_leaf=3, min_samples_split=9, random_state=500)
clf_svm = SVC(probability=True, class_weight='balanced', random_state=500)

# List of (string, estimator) tuples
estimators = ____

# Build and fit an averaging classifier
clf_avg = ____
clf_avg.fit(X_train, y_train)

# Evaluate model performance
acc_avg = accuracy_score(y_test,  clf_avg.predict(X_test))
print('Accuracy: {:.2f}'.format(acc_avg))

Editar e executar o código