เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การเทรนด้วย Bootstrapping

มาสร้างตัวจำแนกประเภท decision tree แบบ "weak" และเทรนบนตัวอย่างที่สุ่มมาจากชุด train แบบเติมกลับ กัน การทำเช่นนี้จะช่วยให้เข้าใจว่าเกิดอะไรขึ้นในแต่ละรอบของ bagging ensemble

ในการสุ่มตัวอย่าง ให้ใช้เมธอด .sample() ของ pandas ซึ่งมีพารามิเตอร์ replace โดยโค้ดด้านล่างนี้เป็นตัวอย่างการสุ่ม แบบเติมกลับ จาก DataFrame df ทั้งหมด:

df.sample(frac=1.0, replace=True, random_state=42)

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Ensemble Methods ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สุ่มตัวอย่างแบบเติมกลับ (replace=True) จากชุด train ทั้งหมด (frac=1.0) นั่นคือ X_train
  • สร้างตัวจำแนกประเภท decision tree โดยใช้พารามิเตอร์ max_depth = 4
  • Fit โมเดลกับข้อมูล train ที่สุ่มมา

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Take a sample with replacement
X_train_sample = X_train.____(____, ____, random_state=42)
y_train_sample = y_train.loc[X_train_sample.index]

# Build a "weak" Decision Tree classifier
clf = ____(____, random_state=500)

# Fit the model to the training sample
____
แก้ไขและรันโค้ด