Kom igångKom igång gratis

Förbered grunden

I de följande övningarna ska du jämföra OOB-noggrannheten med testsettets noggrannhet för en bagging-klassificerare tränad på Indian Liver Patient-datamängden.

I sklearn kan du utvärdera OOB-noggrannheten för en ensemble-klassificerare genom att sätta parametern oob_score till True vid instansiering. När klassificeraren har tränats kan OOB-noggrannheten hämtas via attributet .oob_score_ från motsvarande instans.

I din miljö har vi gjort klassen DecisionTreeClassifier från sklearn.tree tillgänglig.

Den här övningen är en del av kursen

Maskininlärning med trädbaserade modeller i Python

Visa kurs

Övningsinstruktioner

  • Importera BaggingClassifier från sklearn.ensemble.

  • Instansiera en DecisionTreeClassifier med min_samples_leaf satt till 8.

  • Instansiera en BaggingClassifier bestående av 50 träd och sätt oob_score till True.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import DecisionTreeClassifier
from sklearn.tree import DecisionTreeClassifier

# Import BaggingClassifier
____

# Instantiate dt
dt = ____(min_samples_leaf=____, random_state=1)

# Instantiate bc
bc = ____(base_estimator=____, 
            n_estimators=____,
            oob_score=____,
            random_state=1)
Redigera och kör kod