Montando seu primeiro ensemble

Hora de construir seu primeiro modelo de ensemble! O conjunto de dados de Pokémon do exercício anterior já foi carregado e dividido em conjuntos de treino e teste.

Seu trabalho é usar a técnica de voting ensemble com a API do sklearn. Cabe a você instanciar os modelos individuais e passá-los como parâmetros para criar seu primeiro voting classifier.

Este exercício faz parte do curso

Métodos de Ensemble em Python

Ver curso

Instruções do exercício

Instancie um KNeighborsClassifier chamado clf_knn com 5 vizinhos (especificado usando n_neighbors).
Instancie uma LogisticRegression com "balanced" chamada clf_lr (especificado usando class_weight).
Instancie um DecisionTreeClassifier chamado clf_dt com min_samples_leaf = 3 e min_samples_split = 9.
Construa um VotingClassifier usando o parâmetro estimators para especificar a seguinte lista de tuplas (str, estimator): 'knn', clf_knn, 'lr', clf_lr e 'dt', clf_dt.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Instantiate the individual models
clf_knn = ____
clf_lr = ____
clf_dt = ____(____, ____, random_state=500)

# Create and fit the voting classifier
clf_vote = ____(
    estimators=[('____', ____), ('____', ____), ('____', ____)]
)
clf_vote.fit(X_train, y_train)

Editar e executar o código