Bagging med scikit-learn
Nu ska du använda scikit-learns BaggingClassifier på Pokémon-datamängden.
Med ditt egna bagging-ensemble fick du ett F1-värde på ungefär 0.63.
Klår BaggingClassifier() det resultatet? Dags att ta reda på det!
Den här övningen är en del av kursen
Ensemblemetoder i Python
Övningsinstruktioner
- Instantiera basmodellen
clf_dt: ett "begränsat" beslutsträd med ett maximalt djup på 4. - Bygg en bagging-klassificerare med beslutsträdet som basestimator och använd 21 estimatorer.
- Förutsäg etiketterna för testmängden.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Instantiate the base model
clf_dt = ____
# Build the Bagging classifier
clf_bag = ____(____, ____, random_state=500)
# Fit the Bagging model to the training set
clf_bag.fit(X_train, y_train)
# Predict the labels of the test set
pred = ____
# Show the F1-score
print('F1-Score: {:.3f}'.format(f1_score(y_test, pred)))