ПочатиПочніть безкоштовно

Bagging: спосіб у scikit-learn

Тепер застосуймо BaggingClassifier із scikit-learn до набору даних Pokémon.

Ви отримали значення F1 близько 0.63 зі своїм власним ансамблем bagging.

Чи перевершить його BaggingClassifier()? Час дізнатися!

Ця вправа є частиною курсу

Ансамблеві методи в Python

Переглянути курс

Інструкції до вправи

  • Створіть базову модель clf_dt: «обмежене» дерево рішень із максимальною глибиною 4.
  • Побудуйте класифікатор bagging із деревом рішень як базовим оцінювачем, використавши 21 оцінювач.
  • Передбачте мітки тестової вибірки.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Instantiate the base model
clf_dt = ____

# Build the Bagging classifier
clf_bag = ____(____, ____, random_state=500)

# Fit the Bagging model to the training set
clf_bag.fit(X_train, y_train)

# Predict the labels of the test set
pred = ____

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