เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ลองใช้ mlxtend เป็นครั้งแรก

ถึงเวลาเริ่มต้นใช้งาน mlxtend แล้ว! เราจะทำงานกับชุดข้อมูลคะแนนแอปต่อไป เนื่องจากได้สร้างโมเดล stacked ensemble ด้วย scikit-learn ไปแล้ว จึงมีเกณฑ์สำหรับเปรียบเทียบกับโมเดลที่จะสร้างด้วย mlxtend ในครั้งนี้

ชุดข้อมูลถูกโหลดและพร้อมใช้งานในชื่อตัวแปร apps

มาดูกันว่า mlxtend จะสร้างโมเดลที่ดีเทียบเท่าหรือดีกว่า ensemble classifier ของ scikit-learn ได้หรือไม่

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Ensemble Methods ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้าง decision tree classifier โดยกำหนด min_samples_leaf = 3 และ min_samples_split = 9
  • สร้าง k-nearest neighbors classifier แบบ 5 เพื่อนบ้านโดยใช้อัลกอริทึม 'ball_tree'
  • สร้าง StackingClassifier โดยส่งพารามิเตอร์ดังนี้: รายการ classifiers, meta classifier, use_probas=True (เพื่อใช้ค่าความน่าจะเป็น) และ use_features_in_secondary = False (เพื่อใช้เฉพาะผลการทำนายของโมเดลแต่ละตัว)
  • ประเมินประสิทธิภาพโดยคำนวณค่า accuracy score

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Instantiate the first-layer classifiers
clf_dt = ____(____, ____, random_state=500)
clf_knn = ____

# Instantiate the second-layer meta classifier
clf_meta = LogisticRegression()

# Build the Stacking classifier
clf_stack = ____
clf_stack.____

# Evaluate the performance of the Stacking classifier
pred_stack = ____
print("Accuracy: {:0.4f}".format(accuracy_score(y_test, pred_stack)))
แก้ไขและรันโค้ด