ComeçarComece gratuitamente

Pontuação OOB versus pontuação do conjunto de teste

Agora que você instanciou bc, você o ajustará ao conjunto de treinamento e avaliará a precisão do conjunto de teste e do OOB.

O conjunto de dados é processado para você e dividido em 80% de treinamento e 20% de teste. As matrizes de recursos X_train e X_test, bem como as matrizes de rótulos y_train e y_test estão disponíveis em seu espaço de trabalho. Além disso, também carregamos o classificador bc instanciado no exercício anterior e a função accuracy_score() de sklearn.metrics.

Este exercício faz parte do curso

Aprendizado de máquina com modelos baseados em árvores em Python

Ver Curso

Instruções de exercício

  • Ajuste bc ao conjunto de treinamento, preveja os rótulos do conjunto de teste e atribua os resultados a y_pred.

  • Avalie a precisão do conjunto de teste acc_test chamando accuracy_score.

  • Avalie a precisão do OOB do bc acc_oob extraindo o atributo oob_score_ do bc.

Exercício interativo prático

Experimente este exercício preenchendo este código de exemplo.

# Fit bc to the training set 
____.____(____, ____)

# Predict test set labels
y_pred = ____.____(____)

# Evaluate test set accuracy
acc_test = ____(____, ____)

# Evaluate OOB accuracy
acc_oob = ____.____

# Print acc_test and acc_oob
print('Test set accuracy: {:.3f}, OOB accuracy: {:.3f}'.format(acc_test, acc_oob))
Editar e executar código