Применение стекинга для предсказания рейтингов приложений
В этом упражнении вы начнёте строить свой первый ансамбль методом стекинга. Вы будете работать с тем же набором данных, что и в главе 1. Напомним: цель задачи — предсказать рейтинг каждого приложения (от 1 до 5). В качестве входных признаков используются: Reviews, Size, Installs, Type, Price и Content Rating.
Шаг 1: подготовка набора данных уже выполнен. Данные доступны вам в переменной apps. Необходимые признаки очищены, а пропущенные значения заменены нулями.
Теперь перейдём к шагу 2: построению классификаторов первого уровня.
Это упражнение является частью курса
Ансамблевые методы в Python
Инструкции к упражнению
- Создайте и обучите классификатор на основе дерева решений со следующими параметрами:
min_samples_leaf: 3иmin_samples_split: 9. - Создайте и обучите классификатор 5 ближайших соседей, используя:
algorithm: 'ball_tree'(для ускорения обработки). - Оцените качество каждого классификатора с помощью метрики accuracy на тестовой выборке.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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(____)))