Настройка гиперпараметров бэггинга
Построить классификатор на основе бэггинга с параметрами по умолчанию несложно, однако для достижения оптимального качества настоятельно рекомендуется их настроить. В идеале это следует делать с помощью кросс-валидации по K блокам.
В этом упражнении попробуем улучшить качество модели, изменив параметры классификатора на основе бэггинга.
Здесь также передаётся параметр solver='liblinear' в LogisticRegression, чтобы сократить время вычислений.
Это упражнение является частью курса
Ансамблевые методы в Python
Инструкции к упражнению
- Постройте классификатор на основе бэггинга, используя в качестве базового логистическую регрессию: укажите
20базовых оценщиков, максимум10признаков, долю выборки (max_samples)0.65(65%), а также выборку без возвращения. - Используйте
clf_bag, чтобы предсказать метки тестового набораX_test.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Build a balanced logistic regression
clf_base = LogisticRegression(class_weight='balanced', solver='liblinear', random_state=42)
# Build and fit a bagging classifier with custom parameters
clf_bag = ____(____, ____, ____, ____, ____, random_state=500)
clf_bag.fit(X_train, y_train)
# Calculate predictions and evaluate the accuracy on the test set
y_pred = ____
print('Accuracy: {:.2f}'.format(accuracy_score(y_test, y_pred)))
# Print the classification report
print(classification_report(y_test, y_pred))