Bagging hiperparametrelerini ayarlama
Varsayılan parametrelerle kolayca bir bagging sınıflandırıcı kurabilirsin; ancak en iyi performansı elde etmek için bu parametreleri ayarlaman şiddetle önerilir. İdeal olarak, bu ayarlamalar K-katlı çapraz doğrulama ile optimize edilmelidir.
Bu egzersizde, bagging sınıflandırıcısının parametrelerini değiştirerek model performansını iyileştirip iyileştiremeyeceğimize bakalım.
Burada ayrıca hesaplama süresini azaltmak için LogisticRegression'a solver='liblinear' parametresini geçiriyoruz.
Bu egzersiz, kursun bir parçasıdır
Python'da Ensemble Yöntemleri
Egzersiz talimatları
- Temel model olarak lojistik regresyonu kullanıp,
20temel tahminci,10en fazla özellik (max_features),0.65(%%65) en fazla örnek (max_samples) ile ve yerine koymadan örnekleme yapacak bir bagging sınıflandırıcı kur. - Test kümesinin,
X_test, etiketlerini tahmin etmek içinclf_bag'i kullan.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Build a balanced logistic regression
clf_base = LogisticRegression(class_weight='balanced', solver='liblinear', random_state=42)
# Build and fit a bagging classifier with custom parameters
clf_bag = ____(____, ____, ____, ____, ____, random_state=500)
clf_bag.fit(X_train, y_train)
# Calculate predictions and evaluate the accuracy on the test set
y_pred = ____
print('Accuracy: {:.2f}'.format(accuracy_score(y_test, y_pred)))
# Print the classification report
print(classification_report(y_test, y_pred))