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.

Vamos usar o mlxtend!

Create Your Free Account