ПочатиПочніть безкоштовно

Застосування stacking для прогнозування рейтингу застосунків

У цій вправі ви почнете створювати свій перший ансамбль Stacking. Набір даних — це той самий, що ви використовували в Розділі 1. Нагадаємо, мета — передбачити рейтинг кожного застосунку (від 1 до 5). Вхідні ознаки, які ми використовуємо: Reviews, Size, Installs, Type, Price та Content Rating.

Ми вже виконали крок 1: підготовка набору даних. Він доступний як apps. Ми очистили потрібні ознаки та замінили пропущені значення нулями.

Тепер ви попрацюєте над кроком 2: побудова оцінювачів першого шару.

Ця вправа є частиною курсу

Ансамблеві методи в Python

Переглянути курс

Інструкції до вправи

  • Побудуйте та навчіть класифікатор дерева рішень з параметрами: min_samples_leaf: 3 і min_samples_split: 9.
  • Побудуйте та навчіть класифікатор 5 найближчих сусідів, використовуючи: algorithm: 'ball_tree' (щоб пришвидшити обробку).
  • Оцініть якість кожного оцінювача за допомогою accuracy на тестовій вибірці.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Build and fit a Decision Tree classifier
clf_dt = ____(____, ____, random_state=500)
clf_dt.____

# Build and fit a 5-nearest neighbors classifier using the 'Ball-Tree' algorithm
clf_knn = ____
clf_knn.____

# Evaluate the performance using the accuracy score
print('Decision Tree: {:0.4f}'.format(accuracy_score(____)))
print('5-Nearest Neighbors: {:0.4f}'.format(accuracy_score(____)))
Редагувати та запускати код