mlxtend ile ilk deneme
mlxtend ile çalışmaya başlama zamanı! Uygulama derecelendirmeleri veri kümesini kullanmaya devam edeceksin. scikit-learn ile bir stacked ensemble modelini zaten kurduğun için, şimdi mlxtend ile kuracağın modelle karşılaştırma yapacak bir temel var.
Veri kümesi apps olarak yüklendi ve kullanımına hazır.
Bakalım mlxtend, scikit-learn ensemble sınıflandırıcısı kadar iyi ya da ondan daha iyi bir model kurabilecek mi.
Bu egzersiz, kursun bir parçasıdır
Python'da Ensemble Yöntemleri
Egzersiz talimatları
min_samples_leaf = 3vemin_samples_split = 9ile bir karar ağacı sınıflandırıcısı oluştur.'ball_tree'algoritmasını kullanan bir 5-en yakın komşu sınıflandırıcısı oluştur.- Şunları geçirerek bir
StackingClassifierkur: sınıflandırıcıların listesi, meta sınıflandırıcı, olasılıkları kullanmak içinuse_probas=Trueve yalnızca bireysel tahminleri kullanmak içinuse_features_in_secondary = False. - Başarı oranını hesaplayarak performansı değerlendir.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# 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)))