Построение стекингового классификатора

Теперь вы выполните следующие два шага.

Шаг 3: Добавление предсказаний к набору данных: этот шаг внутренне обрабатывается классом StackingClassifier, однако вам нужно подготовить список классификаторов первого уровня, которые вы создали в предыдущем упражнении. Они доступны как clf_dt и clf_knn.

Шаг 4: Построение мета-оценщика второго уровня: для этого вы воспользуетесь LogisticRegression с параметрами по умолчанию. Он будет принимать на вход предсказания базовых оценщиков в качестве признаков.

Когда оба уровня оценщиков готовы, можно построить стекинговый классификатор.

Это упражнение является частью курса

Ансамблевые методы в Python

Посмотреть курс

Инструкции к упражнению

Подготовьте список кортежей с классификаторами первого уровня: clf_dt и clf_knn (укажите соответствующие метки и порядок).
Создайте мета-оценщик второго уровня: LogisticRegression.
Постройте стекинговый классификатор, передав: список кортежей, мета-классификатор, параметр stack_method='predict_proba' (для использования вероятностей классов) и passthrough = False (чтобы использовать в качестве признаков только предсказания).

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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 = ____(
   ____,
   ____,
   ____,
   ____)

Редактировать и запускать код