Aplicando stacking para prever avaliações de apps
Neste exercício, você vai começar a construir seu primeiro ensemble de Stacking. O conjunto de dados é o mesmo que usamos no Capítulo 1. Se você lembrar, o objetivo é prever a avaliação de cada app (de 1 a 5). As variáveis de entrada são: Reviews, Size, Installs, Type, Price e Content Rating.
Nós já fizemos o passo 1: preparar o conjunto de dados. Ele está disponível para você como apps. Limpamos as variáveis necessárias e substituímos valores ausentes por zeros.
Agora, você vai trabalhar no passo 2: construir os estimadores da primeira camada.
Este exercício faz parte do curso
Métodos de Ensemble em Python
Instruções do exercício
- Construa e ajuste um classificador de árvore de decisão com:
min_samples_leaf: 3emin_samples_split: 9. - Construa e ajuste um classificador de 5 vizinhos mais próximos usando:
algorithm: 'ball_tree'(para acelerar o processamento). - Avalie o desempenho de cada estimador usando a acurácia no conjunto de teste.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Build and fit a Decision Tree classifier
clf_dt = ____(____, ____, random_state=500)
clf_dt.____
# Build and fit a 5-nearest neighbors classifier using the 'Ball-Tree' algorithm
clf_knn = ____
clf_knn.____
# Evaluate the performance using the accuracy score
print('Decision Tree: {:0.4f}'.format(accuracy_score(____)))
print('5-Nearest Neighbors: {:0.4f}'.format(accuracy_score(____)))