Aplicarea stacking-ului pentru predicția ratingurilor aplicațiilor
În acest exercițiu vei începe să construiești primul tău ansamblu de tip Stacking. Setul de date folosit este cel cu care am lucrat în Capitolul 1. Dacă îți amintești, obiectivul este să prezici ratingul fiecărei aplicații (de la 1 la 5). Caracteristicile de intrare utilizate sunt: Reviews, Size, Installs, Type, Price și Content Rating.
Am realizat deja pasul 1: pregătirea setului de date. Acesta îți este disponibil sub forma variabilei apps. Am curățat caracteristicile necesare și am înlocuit valorile lipsă cu zerouri.
Acum vei lucra la pasul 2: construirea estimatorilor din primul strat.
Acest exercițiu face parte din cursul
Metode de ansamblu în Python
Instrucțiuni pentru exercițiu
- Construiește și antrenează un clasificator de tip arbore de decizie cu:
min_samples_leaf: 3șimin_samples_split: 9. - Construiește și antrenează un clasificator de tip 5-nearest neighbors folosind:
algorithm: 'ball_tree'(pentru a accelera procesarea). - Evaluează performanța fiecărui estimator folosind scorul de acuratețe pe setul de testare.
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# Build and fit a Decision Tree classifier
clf_dt = ____(____, ____, random_state=500)
clf_dt.____
# Build and fit a 5-nearest neighbors classifier using the 'Ball-Tree' algorithm
clf_knn = ____
clf_knn.____
# Evaluate the performance using the accuracy score
print('Decision Tree: {:0.4f}'.format(accuracy_score(____)))
print('5-Nearest Neighbors: {:0.4f}'.format(accuracy_score(____)))