Träning med bootstrapping
Nu ska du bygga en "svag" beslutsträdsklassificerare och träna den på ett urval av träningsdatan draget med återläggning. Det här hjälper dig att förstå vad som händer i varje iteration av ett bagging-ensemble.
För att ta ett urval använder du pandas' .sample()-metod, som har parametern replace. Till exempel tar följande kodrad ett urval med återläggning från hela DataFramen df:
df.sample(frac=1.0, replace=True, random_state=42)
Den här övningen är en del av kursen
Ensemblemetoder i Python
Övningsinstruktioner
- Ta ett urval med återläggning (
replace=True) från hela (frac=1.0) träningsdatamängden,X_train. - Bygg en beslutsträdsklassificerare med parametern
max_depth = 4. - Anpassa modellen till det urval av träningsdatan du tog.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Take a sample with replacement
X_train_sample = X_train.____(____, ____, random_state=42)
y_train_sample = y_train.loc[X_train_sample.index]
# Build a "weak" Decision Tree classifier
clf = ____(____, random_state=500)
# Fit the model to the training sample
____