เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

Bagging แบบ scikit-learn

มาลองใช้ BaggingClassifier ของ scikit-learn กับชุดข้อมูล Pokémon กัน

ก่อนหน้านี้ได้คะแนน F1 ประมาณ 0.63 จาก bagging ensemble ที่สร้างเอง

BaggingClassifier() จะทำได้ดีกว่าไหม ได้เวลาค้นหาคำตอบแล้ว!

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Ensemble Methods ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้างอินสแตนซ์โมเดลพื้นฐาน clf_dt ซึ่งเป็น decision tree แบบ "จำกัด" ที่มีความลึกสูงสุด 4 ระดับ
  • สร้าง bagging classifier โดยใช้ decision tree ดังกล่าวเป็น base estimator และกำหนดจำนวน estimator เป็น 21 ตัว
  • พยากรณ์ป้ายกำกับของชุดทดสอบ

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Instantiate the base model
clf_dt = ____

# Build the Bagging classifier
clf_bag = ____(____, ____, random_state=500)

# Fit the Bagging model to the training set
clf_bag.fit(X_train, y_train)

# Predict the labels of the test set
pred = ____

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