Bagging: metoda scikit-learn
Hai să aplicăm acum scikit-learn's BaggingClassifier pe setul de date Pokémon.
Ai obținut un scor F1 de aproximativ 0.63 cu ansamblul tău personalizat de bagging.
Oare BaggingClassifier() îl va depăși? E momentul să aflăm!
Acest exercițiu face parte din cursul
Metode de ansamblu în Python
Instrucțiuni pentru exercițiu
- Instanțiază modelul de bază,
clf_dt: un arbore de decizie „restricționat" cu o adâncime maximă de 4. - Construiește un clasificator de bagging cu arborele de decizie ca estimator de bază, folosind 21 de estimatori.
- Prezice etichetele setului de testare.
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# Instantiate the base model
clf_dt = ____
# Build the Bagging classifier
clf_bag = ____(____, ____, random_state=500)
# Fit the Bagging model to the training set
clf_bag.fit(X_train, y_train)
# Predict the labels of the test set
pred = ____
# Show the F1-score
print('F1-Score: {:.3f}'.format(f1_score(y_test, pred)))