ПочатиПочніть безкоштовно

Перший підхід з mlxtend

Час попрацювати з mlxtend! Ви продовжите використовувати набір даних із рейтингами застосунків. Оскільки ви вже зібрали стековий ансамбль за допомогою scikit-learn, маєте базу для порівняння з моделлю, яку тепер збудуєте в mlxtend.

Набір даних завантажено й доступний як apps.

Подивімося, чи зможе mlxtend побудувати модель не гіршу, а можливо й кращу за ансамблевий класифікатор scikit-learn.

Ця вправа є частиною курсу

Ансамблеві методи в Python

Переглянути курс

Інструкції до вправи

  • Створіть (інстанціюйте) класифікатор дерева рішень із min_samples_leaf = 3 і min_samples_split = 9.
  • Створіть класифікатор 5 найближчих сусідів з алгоритмом 'ball_tree'.
  • Збудуйте StackingClassifier, передавши: список класифікаторів, метакласифікатор, use_probas=True (щоб використовувати ймовірності) та use_features_in_secondary = False (щоб використовувати лише індивідуальні передбачення).
  • Оцініть якість, обчисливши accuracy score.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Instantiate the first-layer classifiers
clf_dt = ____(____, ____, random_state=500)
clf_knn = ____

# Instantiate the second-layer meta classifier
clf_meta = LogisticRegression()

# Build the Stacking classifier
clf_stack = ____
clf_stack.____

# Evaluate the performance of the Stacking classifier
pred_stack = ____
print("Accuracy: {:0.4f}".format(accuracy_score(y_test, pred_stack)))
Редагувати та запускати код