НачатьНачать бесплатно

OOB-оценка против оценки на тестовой выборке

Теперь, когда вы создали экземпляр bc, обучите его на обучающей выборке и оцените точность на тестовой выборке и OOB-точность.

Набор данных уже обработан и разделён на 80% для обучения и 20% для тестирования. Матрицы признаков X_train и X_test, а также массивы меток y_train и y_test доступны в вашем рабочем пространстве. Кроме того, загружен классификатор bc, созданный в предыдущем упражнении, и функция accuracy_score() из sklearn.metrics.

Это упражнение является частью курса

Машинное обучение на основе древовидных моделей в Python

Посмотреть курс

Инструкции к упражнению

  • Обучите bc на обучающей выборке, получите прогнозы для тестовой выборки и сохраните результаты в y_pred.

  • Оцените точность на тестовой выборке acc_test, вызвав accuracy_score.

  • Оцените OOB-точность acc_oob классификатора bc, извлекая атрибут oob_score_ из bc.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Fit bc to the training set 
____.____(____, ____)

# Predict test set labels
y_pred = ____.____(____)

# Evaluate test set accuracy
acc_test = ____(____, ____)

# Evaluate OOB accuracy
acc_oob = ____.____

# Print acc_test and acc_oob
print('Test set accuracy: {:.3f}, OOB accuracy: {:.3f}'.format(acc_test, acc_oob))
Редактировать и запускать код