ПочатиПочніть безкоштовно

Прогнозування смертей у GoT

Хоча цільова змінна не має пропущених значень, інші ознаки — мають. Оскільки курс не фокусується на очищенні даних і попередній обробці, ми вже виконали для вас таку підготовку даних:

  • Замінено значення NA на 0.
  • Негативні значення віку замінено на 0.
  • Значення NA у віці замінено на середнє.

Тепер побудуймо ансамблеву модель за допомогою техніки усереднення. Побудовано такі індивідуальні моделі:

  • Логістична регресія (clf_lr).
  • Дерево рішень (clf_dt).
  • Підтримувальні векторні машини (clf_svm).

Оскільки ціль бінарна, усі ці моделі можуть показувати гарну індивідуальну якість. Ваше завдання — об'єднати їх методом усереднення. Згадайте з відео, що це те саме, що підхід soft voting, тож вам усе одно слід використати VotingClassifier().

Ця вправа є частиною курсу

Ансамблеві методи в Python

Переглянути курс

Інструкції до вправи

  • Задайте список кортежів (рядок, оцінювач). Використайте 'lr' для clf_lr, 'dt' для clf_dt і 'svm' для clf_svm.
  • Побудуйте класифікатор усереднення з назвою clf_avg. Обов'язково вкажіть аргумент для параметра voting.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Build the individual models
clf_lr = LogisticRegression(class_weight='balanced')
clf_dt = DecisionTreeClassifier(min_samples_leaf=3, min_samples_split=9, random_state=500)
clf_svm = SVC(probability=True, class_weight='balanced', random_state=500)

# List of (string, estimator) tuples
estimators = ____

# Build and fit an averaging classifier
clf_avg = ____
clf_avg.fit(X_train, y_train)

# Evaluate model performance
acc_avg = accuracy_score(y_test,  clf_avg.predict(X_test))
print('Accuracy: {:.2f}'.format(acc_avg))
Редагувати та запускати код