Kom igångKom igång gratis

Ett första försök med mlxtend

Nu är det dags att börja arbeta med mlxtend! Du fortsätter med datamängden för appbetyg. Eftersom du redan har byggt en staplad ensemblemodell med scikit-learn har du en bra grund att jämföra med den modell du nu ska bygga med mlxtend.

Datamängden är inläst och tillgänglig som apps.

Låt oss se om mlxtend kan bygga en modell som är lika bra som – eller bättre än – ensembleklassificeraren från scikit-learn.

Den här övningen är en del av kursen

Ensemblemetoder i Python

Visa kurs

Övningsinstruktioner

  • Instansiera en beslutsträdsklassificerare med min_samples_leaf = 3 och min_samples_split = 9.
  • Instansiera en 5-närmaste-grannars klassificerare med algoritmen 'ball_tree'.
  • Bygg en StackingClassifier och skicka med: listan över klassificerare, metaklassificeraren, use_probas=True (för att använda sannolikheter) och use_features_in_secondary = False (för att bara använda de enskilda prediktionerna).
  • Utvärdera prestandan genom att beräkna noggrannhetspoängen.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Instantiate the first-layer classifiers
clf_dt = ____(____, ____, random_state=500)
clf_knn = ____

# Instantiate the second-layer meta classifier
clf_meta = LogisticRegression()

# Build the Stacking classifier
clf_stack = ____
clf_stack.____

# Evaluate the performance of the Stacking classifier
pred_stack = ____
print("Accuracy: {:0.4f}".format(accuracy_score(y_test, pred_stack)))
Redigera och kör kod