ПочатиПочніть безкоштовно

Перший підхід до bagging

Ви вже бачили, що відбувається за одну ітерацію в ансамблі bagging. Тепер створімо власну модель bagging!

Для вас підготовлено дві функції:

def build_decision_tree(X_train, y_train, random_state=None):
    # Бере вибірку з поверненням,
    # будує «слабке» дерево рішень
    # і навчає його на тренувальній вибірці

def predict_voting(classifiers, X_test):
    # Виконує індивідуальні передбачення
    # а потім об'єднує їх за допомогою «Voting»

Технічно функція build_decision_tree() повторює те, що ви робили у попередній вправі. Тут ви збудуєте кілька таких дерев і потім об'єднаєте їх. Подивімося, чи покращить цей ансамбль «слабких» моделей якість!

Ця вправа є частиною курсу

Ансамблеві методи в Python

Переглянути курс

Інструкції до вправи

  • Побудуйте окремі моделі, викликавши build_decision_tree(), передавши тренувальну вибірку та індекс i як random_state.
  • Передбачте мітки тестової вибірки за допомогою predict_voting(), використавши список класифікаторів clf_list і вхідні тестові ознаки.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Build the list of individual models
clf_list = []
for i in range(21):
	weak_dt = ____
	clf_list.append(weak_dt)

# Predict on the test set
pred = ____

# Print the F1 score
print('F1 score: {:.3f}'.format(f1_score(y_test, pred)))
Редагувати та запускати код