เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ก้าวแรกสู่การทำ Bagging

ได้เห็นแล้วว่าเกิดอะไรขึ้นในการวนซ้ำหนึ่งรอบของ bagging ensemble ทีนี้มาสร้างโมเดล bagging แบบกำหนดเองกัน!

มีฟังก์ชันสองตัวเตรียมไว้ให้แล้ว:

def build_decision_tree(X_train, y_train, random_state=None):
    # Takes a sample with replacement,
    # builds a "weak" decision tree,
    # and fits it to the train set

def predict_voting(classifiers, X_test):
    # Makes the individual predictions 
    # and then combines them using "Voting"

ในทางเทคนิค ฟังก์ชัน build_decision_tree() คือสิ่งที่ทำไปในแบบฝึกหัดก่อนหน้า ที่นี่จะสร้าง tree หลายต้นแล้วรวมผลลัพธ์เข้าด้วยกัน ลองดูว่า ensemble ของโมเดล "อ่อนแอ" เหล่านี้จะช่วยเพิ่มประสิทธิภาพได้หรือไม่!

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Ensemble Methods ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้างโมเดลแต่ละตัวโดยเรียกฟังก์ชัน build_decision_tree() พร้อมส่ง training set และ index i เป็น random state
  • ทำนาย label ของชุดทดสอบโดยใช้ predict_voting() พร้อมส่ง list ของ classifier clf_list และ feature ของชุดทดสอบ

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Build the list of individual models
clf_list = []
for i in range(21):
	weak_dt = ____
	clf_list.append(weak_dt)

# Predict on the test set
pred = ____

# Print the F1 score
print('F1 score: {:.3f}'.format(f1_score(y_test, pred)))
แก้ไขและรันโค้ด