Boosting
No último exercício, você começou com técnicas de ensemble usando bagging. Em uma entrevista de Machine Learning, pode ser que peçam para você testar ou discutir mais de uma técnica de ensemble.
Aqui, você vai praticar Boosting, que utiliza todos os dados para treinar cada aprendiz, mas dá mais peso às instâncias que foram classificadas incorretamente pelos aprendizes anteriores, para que os seguintes foquem mais nelas durante o treinamento. Isso resulta em um modelo com menor viés.
Todos os pacotes relevantes já foram importados para você:
pandas como pd, train_test_split de sklearn.model_selection, accuracy_score de sklearn.linear_model, LogisticRegression de sklearn.linear_model, e BaggingClassifier e AdaBoostClassifier de sklearn.ensemble.
O DataFrame loan_data já está dividido em X_train, X_test, y_train e y_test.
Este exercício faz parte do curso
Praticando perguntas de entrevista de Machine Learning em Python
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Boosting model
boosted_model = ____(____=____, random_state=123)