Mantarlar: hayat memat meselesi
Dersi, mantarların yenebilirliğini yeniden ele alarak bitirelim. Skoru iyileştirip iyileştiremeyeceğini görmek için stacking sınıflandırıcısını deneyeceksin. Stacking, bir meta-tahminleyici (ikinci katman sınıflandırıcı) kullanarak birinci katmandan gelen tahminleri düzeltmeye çalıştığı için, yanlış sınıflandırılan bazı örnekler düzeltilebilir. Bu çok önemli bir problem; çünkü bir mantarın yenebilirliği hayat memat meselesi olabilir.
Veri kümesi yüklendi ve eğitim/test olarak ayrıldı. Sence stacking, bir mantarın yenebilirliğini daha yüksek güvenle tahmin etmeye yardımcı olabilir mi?
Bu egzersiz, kursun bir parçasıdır
Python'da Ensemble Yöntemleri
Egzersiz talimatları
- Birinci katman tahminleyicilerini örnekle: ball tree algoritmasını kullanan 5-en yakın komşu,
min_samples_leaf = 5vemin_samples_split = 15parametrelerine sahip bir karar ağacı sınıflandırıcısı ve bir Gaussian Naive Bayes sınıflandırıcısı. classifiers(birinci katman sınıflandırıcılarını içeren bir liste) vemeta_classifier(varsayılan lojistik regresyon) parametrelerini kullanarak bir stacking sınıflandırıcısı oluştur ve eğit.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Create the first-layer models
clf_knn = ____
clf_dt = ____(____, ____, random_state=500)
clf_nb = ____
# Create the second-layer model (meta-model)
clf_lr = LogisticRegression()
# Create and fit the stacked model
clf_stack = ____
clf_stack.fit(X_train, y_train)
# Evaluate the stacked model’s performance
print("Accuracy: {:0.4f}".format(accuracy_score(y_test, clf_stack.predict(X_test))))