ПочатиПочніть безкоштовно

Перевірка показника out-of-bag

Тепер перевірмо показник out-of-bag для моделі з попередньої вправи.

Дотепер ви використовували F1-міру для оцінювання якості. Однак у цій вправі слід використати accuracy, щоб легко порівняти її з out-of-bag показником.

Класифікатор дерева рішень з попередньої вправи, clf_dt, доступний у вашому робочому середовищі.

Набір даних pokemon уже завантажено та розбито на тренувальну й тестову вибірки. Крім того, класифікатор дерева рішень було навчено й надано вам як clf_dt, щоб використати його як базовий оцінювач.

Ця вправа є частиною курсу

Ансамблеві методи в Python

Переглянути курс

Інструкції до вправи

  • Побудуйте класифікатор bagging, використовуючи дерево рішень як базовий оцінювач і 21 оцінювач. Цього разу використайте out-of-bag оцінювання, задавши аргумент для параметра oob_score.
  • Виведіть out-of-bag показник цього класифікатора.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Build and train the bagging classifier
clf_bag = ____(
  ____,
  ____,
  ____,
  random_state=500)
clf_bag.fit(X_train, y_train)

# Print the out-of-bag score
print('OOB-Score: {:.3f}'.format(____))

# Evaluate the performance on the test set to compare
pred = clf_bag.predict(X_test)
print('Accuracy: {:.3f}'.format(accuracy_score(y_test, pred)))
Редагувати та запускати код