GoT ölümlerini tahmin etme

Hedef değişkende eksik değer yok, ancak diğer özelliklerde var. Bu kursun odağı veri temizleme ve ön işleme olmadığından, senin için şu ön işlemleri yaptık:

NA değerleri 0 ile değiştirdik.
Yaşın negatif değerlerini 0 ile değiştirdik.
Yaşın NA değerlerini ortalama ile değiştirdik.

Şimdi ortalama tekniğini kullanarak bir topluluk (ensemble) model kuralım. Aşağıdaki bireysel modeller hazırlandı:

Lojistik Regresyon (clf_lr).
Karar Ağacı (clf_dt).
Destek Vektör Makineleri (clf_svm).

Hedef ikili olduğu için, bu modeller tek tek de iyi performans gösterebilir. Amacın, bunları ortalama yöntemiyle birleştirmek. Videodan hatırla: bu yaklaşım soft oylama ile aynıdır, bu yüzden yine VotingClassifier() kullanmalısın.

Bu egzersiz, kursun bir parçasıdır

Python'da Ensemble Yöntemleri

Kursa Göz Atın

Egzersiz talimatları

(string, estimator) demetlerinden oluşan listeyi kur. clf_lr için 'lr', clf_dt için 'dt', clf_svm için 'svm' kullan.
clf_avg adlı bir ortalama sınıflandırıcı oluştur. voting parametresi için bir argüman belirttiğinden emin ol.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Build the individual models
clf_lr = LogisticRegression(class_weight='balanced')
clf_dt = DecisionTreeClassifier(min_samples_leaf=3, min_samples_split=9, random_state=500)
clf_svm = SVC(probability=True, class_weight='balanced', random_state=500)

# List of (string, estimator) tuples
estimators = ____

# Build and fit an averaging classifier
clf_avg = ____
clf_avg.fit(X_train, y_train)

# Evaluate model performance
acc_avg = accuracy_score(y_test,  clf_avg.predict(X_test))
print('Accuracy: {:.2f}'.format(acc_avg))

Kodu Düzenle ve Çalıştır