Kontrollera out-of-bag-poängen
Nu ska du kontrollera out-of-bag-poängen för modellen från föregående övning.
Hittills har du använt F1-poängen för att mäta prestanda. I den här övningen ska du i stället använda noggrannhetspoängen (accuracy), så att du enkelt kan jämföra den med out-of-bag-poängen.
Beslutsträdsklassificeraren från föregående övning, clf_dt, finns tillgänglig i din arbetsmiljö.
Datamängden pokemon är redan inläst och uppdelad i tränings- och testmängder.
Dessutom är beslutsträdsklassificeraren redan tränad och tillgänglig som clf_dt att använda som basestimator.
Den här övningen är en del av kursen
Ensemblemetoder i Python
Övningsinstruktioner
- Bygg bagging-klassificeraren med beslutsträdet som basestimator och 21 estimatorer. Den här gången ska du använda out-of-bag-poängen genom att ange ett argument för parametern
oob_score. - Skriv ut klassificerarens out-of-bag-poäng.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Build and train the bagging classifier
clf_bag = ____(
____,
____,
____,
random_state=500)
clf_bag.fit(X_train, y_train)
# Print the out-of-bag score
print('OOB-Score: {:.3f}'.format(____))
# Evaluate the performance on the test set to compare
pred = clf_bag.predict(X_test)
print('Accuracy: {:.3f}'.format(accuracy_score(y_test, pred)))