Uma primeira tentativa com mlxtend
É hora de começar a trabalhar com o mlxtend! Você vai continuar usando o conjunto de dados de avaliações de apps. Como você já construiu um modelo de conjunto empilhado usando scikit-learn, terá uma base para comparar com o modelo que vai construir agora com o mlxtend.
O conjunto de dados já está carregado e disponível como apps.
Vamos ver se o mlxtend consegue construir um modelo tão bom quanto ou melhor do que o classificador em conjunto do scikit-learn.
Este exercício faz parte do curso
Métodos de Ensemble em Python
Instruções do exercício
- Instancie um classificador de árvore de decisão com
min_samples_leaf = 3emin_samples_split = 9. - Instancie um classificador de 5 vizinhos mais próximos usando o algoritmo
'ball_tree'. - Construa um
StackingClassifierpassando: a lista de classificadores, o meta classificador,use_probas=True(para usar probabilidades) euse_features_in_secondary = False(para usar apenas as previsões individuais). - Avalie o desempenho calculando a acurácia.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Instantiate the first-layer classifiers
clf_dt = ____(____, ____, random_state=500)
clf_knn = ____
# Instantiate the second-layer meta classifier
clf_meta = LogisticRegression()
# Build the Stacking classifier
clf_stack = ____
clf_stack.____
# Evaluate the performance of the Stacking classifier
pred_stack = ____
print("Accuracy: {:0.4f}".format(accuracy_score(y_test, pred_stack)))