НачатьНачать бесплатно

Первый опыт работы с mlxtend

Пришло время начать работу с mlxtend! Вы продолжите использовать набор данных с оценками приложений. Поскольку вы уже построили ансамблевую модель с применением стекинга на основе scikit-learn, у вас есть ориентир для сравнения с моделью, которую вы сейчас создадите с помощью mlxtend.

Набор данных загружен и доступен вам в переменной apps.

Посмотрим, сможет ли mlxtend построить модель не хуже — или даже лучше — ансамблевого классификатора на основе scikit-learn.

Это упражнение является частью курса

Ансамблевые методы в Python

Посмотреть курс

Инструкции к упражнению

  • Создайте классификатор на основе дерева решений с параметрами min_samples_leaf = 3 и min_samples_split = 9.
  • Создайте классификатор 5 ближайших соседей, используя алгоритм 'ball_tree'.
  • Постройте StackingClassifier, передав: список классификаторов, мета-классификатор, use_probas=True (для использования вероятностей) и use_features_in_secondary = False (чтобы опираться только на индивидуальные предсказания).
  • Оцените качество модели, вычислив метрику accuracy.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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)))
Редактировать и запускать код