Construirea clasificatorului de stacking

Acum vei lucra la următorii doi pași.

Pasul 3: Adaugă predicțiile la setul de date: acest lucru este gestionat intern de clasa StackingClassifier, dar vom face partea noastră pregătind lista clasificatoarelor de prim nivel, pe care le-ai construit în exercițiul anterior. Acestea sunt disponibile ca: clf_dt și clf_knn.

Pasul 4: Construiește meta-estimatorul de al doilea nivel: în acest scop, vei folosi LogisticRegression implicit. Acesta va primi ca atribute de intrare predicțiile individuale ale estimatoarelor de bază.

Cu ambele niveluri de estimatoare pregătite, poți construi clasificatorul de stacking.

Acest exercițiu face parte din cursul

Metode de ansamblu în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Pregătește lista de tupluri cu clasificatoarele de prim nivel: clf_dt și clf_knn (specificând etichetele și ordinea corespunzătoare).
Instanțiază meta-estimatorul de al doilea nivel: un LogisticRegression.
Construiește clasificatorul de stacking, transmițând: lista de tupluri, meta-clasificatorul, cu stack_method='predict_proba' (pentru a folosi probabilitățile claselor) și passthrough = False (pentru a folosi doar predicțiile ca atribute).

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Prepare the list of tuples with the first-layer classifiers
classifiers = [
	____,
    ____
]

# Instantiate the second-layer meta estimator
clf_meta = ____

# Build the stacking classifier
clf_stack = ____(
   ____,
   ____,
   ____,
   ____)

Editează și rulează codul