ПочатиПочніть безкоштовно

Налаштування гіперпараметрів bagging

Хоча ви можете легко зібрати класифікатор bagging із параметрами за замовчуванням, настійно рекомендуємо їх налаштовувати, щоб досягти оптимальної якості. У ідеалі це слід робити за допомогою K-блочної перехресної перевірки.

У цій вправі перевіримо, чи зможемо ми покращити якість моделі, змінивши параметри класифікатора bagging.

Тут ми також передаємо параметр solver='liblinear' до LogisticRegression, щоб зменшити час обчислень.

Ця вправа є частиною курсу

Ансамблеві методи в Python

Переглянути курс

Інструкції до вправи

  • Зберіть класифікатор bagging на основі логістичної регресії з 20 базовими оцінювачами, 10 максимальними ознаками, 0.65 (65%) максимальних зразків (max_samples) і вибіркою без повернення.
  • Використайте clf_bag, щоб передбачити мітки для тестової вибірки X_test.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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))
Редагувати та запускати код