Бэггинг: подход scikit-learn
Теперь применим BaggingClassifier из scikit-learn к набору данных о покемонах.
С помощью собственного ансамбля на основе бэггинга вы получили F1-меру около 0.63.
Сможет ли BaggingClassifier() превзойти этот результат? Давайте проверим!
Это упражнение является частью курса
Ансамблевые методы в Python
Инструкции к упражнению
- Создайте базовую модель
clf_dt: «ограниченное» дерево решений с максимальной глубиной 4. - Постройте классификатор на основе бэггинга, используя дерево решений в качестве базовой модели и 21 оценщик.
- Предскажите метки тестовой выборки.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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)))