Construindo o classificador de stacking

Agora você vai trabalhar nos próximos dois passos.

Passo 3: Anexar as previsões ao conjunto de dados: isso é tratado internamente pela classe StackingClassifier, mas vamos fazer nossa parte preparando a lista de classificadores de primeira camada, que você criou no exercício anterior. Eles estão disponíveis como: clf_dt e clf_knn.

Passo 4: Construir o meta-estimador de segunda camada: para isso, você vai usar o LogisticRegression padrão. Ele receberá como atributos de entrada as previsões individuais dos estimadores base.

Com as duas camadas de estimadores prontas, você pode construir o classificador de stacking.

Este exercício faz parte do curso

Métodos de Ensemble em Python

Ver curso

Instruções do exercício

Prepare a lista de tuplas com os classificadores da primeira camada: clf_dt e clf_knn (especificando os rótulos apropriados e a ordem).
Instancie o meta-estimador da segunda camada: um LogisticRegression.
Construa o classificador de stacking passando: a lista de tuplas, o meta-classificador, com stack_method='predict_proba' (para usar probabilidades de classe) e passthrough = False (para usar apenas as previsões como atributos).

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Prepare the list of tuples with the first-layer classifiers
classifiers = [
	____,
    ____
]

# Instantiate the second-layer meta estimator
clf_meta = ____

# Build the stacking classifier
clf_stack = ____(
   ____,
   ____,
   ____,
   ____)

Editar e executar o código