เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ตรวจสอบคะแนน Out-of-Bag

มาตรวจสอบคะแนน out-of-bag ของโมเดลจากแบบฝึกหัดก่อนหน้ากัน

ที่ผ่านมาใช้ F1 score ในการวัดประสิทธิภาพ แต่ในแบบฝึกหัดนี้ให้ใช้ accuracy score เพื่อให้เปรียบเทียบกับคะแนน out-of-bag ได้ง่ายขึ้น

โมเดล decision tree classifier จากแบบฝึกหัดก่อนหน้า clf_dt พร้อมใช้งานใน workspace แล้ว

ชุดข้อมูล pokemon ถูกโหลดและแบ่งเป็นชุดฝึกและชุดทดสอบไว้ให้เรียบร้อยแล้ว นอกจากนี้ decision tree classifier ถูก fit แล้วและพร้อมใช้งานในชื่อ clf_dt เพื่อใช้เป็น base estimator

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Ensemble Methods ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้าง bagging classifier โดยใช้ decision tree เป็น base estimator และกำหนด 21 estimators คราวนี้ให้ใช้คะแนน out-of-bag โดยระบุอาร์กิวเมนต์สำหรับพารามิเตอร์ oob_score
  • แสดงคะแนน out-of-bag ของ classifier

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Build and train the bagging classifier
clf_bag = ____(
  ____,
  ____,
  ____,
  random_state=500)
clf_bag.fit(X_train, y_train)

# Print the out-of-bag score
print('OOB-Score: {:.3f}'.format(____))

# Evaluate the performance on the test set to compare
pred = clf_bag.predict(X_test)
print('Accuracy: {:.3f}'.format(accuracy_score(y_test, pred)))
แก้ไขและรันโค้ด