Kom igångKom igång gratis

Bygg stackningsklassificeraren

Nu ska du arbeta med de två nästa stegen.

Steg 3: Lägg till prediktionerna i datamängden: detta hanteras internt av klassen StackingClassifier, men din del är att förbereda listan med klassificerare på första nivån, som du byggde i föregående övning. De finns tillgängliga som: clf_dt och clf_knn.

Steg 4: Bygg meta-estimatorn på andra nivån: för detta ändamål använder du standardmodellen LogisticRegression. Den tar de enskilda prediktionerna från basestimatorerna som indatasärdrag.

När båda nivåernas estimatorer är klara kan du bygga stackningsklassificeraren.

Den här övningen är en del av kursen

Ensemblemetoder i Python

Visa kurs

Övningsinstruktioner

  • Förbered listan med tupler för klassificerarna på första nivån: clf_dt och clf_knn (ange lämpliga etiketter och ordning).
  • Instantiera meta-estimatorn på andra nivån: en LogisticRegression.
  • Bygg stackningsklassificeraren och skicka med: listan med tupler, meta-klassificeraren, med stack_method='predict_proba' (för att använda klassprobabiliteter) och passthrough = False (för att enbart använda prediktioner som särdrag).

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Prepare the list of tuples with the first-layer classifiers
classifiers = [
	____,
    ____
]

# Instantiate the second-layer meta estimator
clf_meta = ____

# Build the stacking classifier
clf_stack = ____(
   ____,
   ____,
   ____,
   ____)
Redigera och kör kod