Kom igångKom igång gratis

Bygg ditt första ensemble-system

Nu är det dags att bygga din första ensemblemodell! Pokémon-datamängden från föregående övning har laddats in och delats upp i tränings- och testmängder.

Din uppgift är att använda röstningstekniken med sklearn-API:et. Det är upp till dig att instansiera de enskilda modellerna och skicka dem som parametrar för att bygga din första röstningsklassificerare.

Den här övningen är en del av kursen

Ensemblemetoder i Python

Visa kurs

Övningsinstruktioner

  • Instansiera en KNeighborsClassifier med namnet clf_knn och 5 grannar (anges med n_neighbors).
  • Instansiera en LogisticRegression med namnet clf_lr och "balanced" klassbalansering (anges med class_weight).
  • Instansiera en DecisionTreeClassifier med namnet clf_dt med min_samples_leaf = 3 och min_samples_split = 9.
  • Bygg en VotingClassifier med parametern estimators och ange följande lista med (str, estimator)-tupler: 'knn', clf_knn, 'lr', clf_lr och 'dt', clf_dt.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Instantiate the individual models
clf_knn = ____
clf_lr = ____
clf_dt = ____(____, ____, random_state=500)

# Create and fit the voting classifier
clf_vote = ____(
    estimators=[('____', ____), ('____', ____), ('____', ____)]
)
clf_vote.fit(X_train, y_train)
Redigera och kör kod