เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

สร้าง stacking classifier

ต่อไปจะทำงานใน 2 ขั้นตอนถัดไป

ขั้นตอนที่ 3: เพิ่มค่าพยากรณ์เข้าไปในชุดข้อมูล: ขั้นตอนนี้ถูกจัดการโดย class StackingClassifier โดยอัตโนมัติ แต่เราจะเตรียมรายการ classifier ระดับแรก ซึ่งสร้างไว้ในแบบฝึกหัดก่อนหน้า ได้แก่ clf_dt และ clf_knn

ขั้นตอนที่ 4: สร้าง meta estimator ชั้นที่สอง: ใช้ LogisticRegression แบบค่าเริ่มต้น โดยรับค่าพยากรณ์จาก base estimator แต่ละตัวเป็น input features

เมื่อเตรียม estimator ทั้งสองระดับพร้อมแล้ว ก็สามารถสร้าง stacking classifier ได้เลย

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Ensemble Methods ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • เตรียมรายการ tuple ของ classifier ชั้นแรก ได้แก่ clf_dt และ clf_knn (โดยระบุ label และลำดับที่เหมาะสม)
  • สร้าง instance ของ meta estimator ชั้นที่สอง ซึ่งก็คือ LogisticRegression
  • สร้าง stacking classifier โดยส่งผ่าน: รายการ tuple, meta classifier, พร้อมกำหนด stack_method='predict_proba' (เพื่อใช้ความน่าจะเป็นของคลาส) และ passthrough = False (เพื่อใช้เฉพาะค่าพยากรณ์เป็น features)

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Prepare the list of tuples with the first-layer classifiers
classifiers = [
	____,
    ____
]

# Instantiate the second-layer meta estimator
clf_meta = ____

# Build the stacking classifier
clf_stack = ____(
   ____,
   ____,
   ____,
   ____)
แก้ไขและรันโค้ด