Bagging: scikit-learn yolu
Şimdi scikit-learn'in BaggingClassifier yöntemini Pokémon veri kümesine uygulayalım.
Özel bagging topluluğunla yaklaşık 0.63 F1 skoru elde etmiştin.
BaggingClassifier() bunu geçebilir mi? Hadi görelim!
Bu egzersiz, kursun bir parçasıdır
Python'da Ensemble Yöntemleri
Egzersiz talimatları
- Temel modeli,
clf_dt'yi başlat: maksimum derinliği 4 olan "kısıtlı" bir karar ağacı. - Temel tahminleyici olarak karar ağacını kullanan ve 21 tahminleyici içeren bir bagging sınıflandırıcı kur.
- Test kümesinin etiketlerini tahmin et.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Instantiate the base model
clf_dt = ____
# Build the Bagging classifier
clf_bag = ____(____, ____, random_state=500)
# Fit the Bagging model to the training set
clf_bag.fit(X_train, y_train)
# Predict the labels of the test set
pred = ____
# Show the F1-score
print('F1-Score: {:.3f}'.format(f1_score(y_test, pred)))