Kom igångKom igång gratis

Finjustering av bagging-hyperparametrar

Det är enkelt att bygga en bagging-klassificerare med standardparametrar, men det rekommenderas starkt att du justerar dem för att uppnå bästa möjliga prestanda. Idealt sett bör detta optimeras med korsvalidering (K-fold).

I den här övningen undersöker vi om modellens prestanda kan förbättras genom att ändra parametrarna för bagging-klassificeraren.

Här skickar vi även in parametern solver='liblinear' till LogisticRegression för att minska beräkningstiden.

Den här övningen är en del av kursen

Ensemblemetoder i Python

Visa kurs

Övningsinstruktioner

  • Bygg en bagging-klassificerare med logistisk regression som basmodell, 20 basestimatorer, maximalt 10 särdrag, 0.65 (65 %) maximalt antal sampel (max_samples), och sampling utan återläggning.
  • Använd clf_bag för att prediktera etiketterna för testmängden, X_test.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Build a balanced logistic regression
clf_base = LogisticRegression(class_weight='balanced', solver='liblinear', random_state=42)

# Build and fit a bagging classifier with custom parameters
clf_bag = ____(____, ____, ____, ____, ____, random_state=500)
clf_bag.fit(X_train, y_train)

# Calculate predictions and evaluate the accuracy on the test set
y_pred = ____
print('Accuracy:  {:.2f}'.format(accuracy_score(y_test, y_pred)))

# Print the classification report
print(classification_report(y_test, y_pred))
Redigera och kör kod