เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ประเมินผล Ensemble ของคุณ

ในแบบฝึกหัดก่อนหน้า คุณได้สร้าง voting classifier ตัวแรกแล้ว มาประเมินผลและเปรียบเทียบกับโมเดลแต่ละตัวกัน

โมเดลแต่ละตัว (clf_knn, clf_dt และ clf_lr) รวมถึง voting classifier (clf_vote) ถูกโหลดและฝึกเรียบร้อยแล้ว

อย่าลืมใช้ f1_score() ในการวัดประสิทธิภาพ นอกจากนี้ยังจะสร้าง classification report บนชุดทดสอบ (X_test, y_test) โดยใช้ฟังก์ชัน classification_report()

voting classifier จะทำคะแนน F1-Score เกิน 58% ของ decision tree ได้หรือไม่?

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Ensemble Methods ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • ใช้ voting classifier clf_vote เพื่อทำนายป้ายกำกับของชุดทดสอบ X_test
  • คำนวณ F1-Score ของ voting classifier
  • คำนวณ classification report ของ voting classifier โดยส่ง y_test และ pred_vote ให้กับ classification_report()

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Calculate the predictions using the voting classifier
pred_vote = ____

# Calculate the F1-Score of the voting classifier
score_vote = ____
print('F1-Score: {:.3f}'.format(score_vote))

# Calculate the classification report
report = ____
print(report)
แก้ไขและรันโค้ด