Tillämpa stacking för att förutsäga appbetyg
I den här övningen börjar du bygga ditt första stacking-ensemble. Datamängden du använder är den vi använde i kapitel 1. Målet är att förutsäga betyget för varje app (från 1 till 5). De ingående särdragen är: Reviews, Size, Installs, Type, Price och Content Rating.
Vi har redan genomfört steg 1: förbereda datamängden. Den finns tillgänglig som apps. Vi rensade de nödvändiga särdragen och ersatte saknade värden med nollor.
Nu arbetar du med steg 2: bygg estimatorerna i det första lagret.
Den här övningen är en del av kursen
Ensemblemetoder i Python
Övningsinstruktioner
- Bygg och träna en beslutsträdsklassificerare med:
min_samples_leaf: 3ochmin_samples_split: 9. - Bygg och träna en klassificerare med 5 närmaste grannar och använd:
algorithm: 'ball_tree'(för att påskynda beräkningen). - Utvärdera varje estimators prestanda med accuracy score på testmängden.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Build and fit a Decision Tree classifier
clf_dt = ____(____, ____, random_state=500)
clf_dt.____
# Build and fit a 5-nearest neighbors classifier using the 'Ball-Tree' algorithm
clf_knn = ____
clf_knn.____
# Evaluate the performance using the accuracy score
print('Decision Tree: {:0.4f}'.format(accuracy_score(____)))
print('5-Nearest Neighbors: {:0.4f}'.format(accuracy_score(____)))