Un prim experiment cu mlxtend

Este momentul să începi să lucrezi cu mlxtend! Vei continua să folosești setul de date cu evaluările aplicațiilor. Deoarece ai construit deja un model de ansamblu stacking cu scikit-learn, ai o bază de comparație pentru modelul pe care îl vei construi acum cu mlxtend.

Setul de date este încărcat și disponibil ca apps.

Hai să vedem dacă mlxtend poate construi un model la fel de bun sau chiar mai bun decât clasificatorul de ansamblu din scikit-learn.

Acest exercițiu face parte din cursul

Metode de ansamblu în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Instanțiază un clasificator de tip arbore de decizie cu min_samples_leaf = 3 și min_samples_split = 9.
Instanțiază un clasificator bazat pe cei mai apropiați 5 vecini, folosind algoritmul 'ball_tree'.
Construiește un StackingClassifier transmițând: lista de clasificatoare, meta-clasificatorul, use_probas=True (pentru a folosi probabilități) și use_features_in_secondary = False (pentru a folosi doar predicțiile individuale).
Evaluează performanța calculând scorul de acuratețe.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Instantiate the first-layer classifiers
clf_dt = ____(____, ____, random_state=500)
clf_knn = ____

# Instantiate the second-layer meta classifier
clf_meta = LogisticRegression()

# Build the Stacking classifier
clf_stack = ____
clf_stack.____

# Evaluate the performance of the Stacking classifier
pred_stack = ____
print("Accuracy: {:0.4f}".format(accuracy_score(y_test, pred_stack)))

Editează și rulează codul