ПочатиПочніть безкоштовно

Створення стекінг-класифікатора

Тепер ви виконаєте наступні два кроки.

Крок 3: Додайте передбачення до набору даних: це внутрішньо обробляє клас StackingClassifier, але з нашого боку ми підготуємо список класифікаторів першого рівня, який ви зібрали у попередній вправі. Вони доступні як: clf_dt і clf_knn.

Крок 4: Побудуйте метаоцінювач другого рівня: для цього використайте стандартну LogisticRegression. Вона отримає як вхідні ознаки індивідуальні передбачення базових оцінювачів.

Маючи обидва рівні оцінювачів готовими, ви можете зібрати стекінг-класифікатор.

Ця вправа є частиною курсу

Ансамблеві методи в Python

Переглянути курс

Інструкції до вправи

  • Підготуйте список кортежів із класифікаторами першого рівня: clf_dt і clf_knn (указавши відповідні мітки та порядок).
  • Створіть метаоцінювач другого рівня: LogisticRegression.
  • Зберіть стекінг-класифікатор, передавши: список кортежів, метакласифікатор, із stack_method='predict_proba' (щоб використовувати ймовірності класів) та passthrough = False (щоб використовувати як ознаки лише передбачення).

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Prepare the list of tuples with the first-layer classifiers
classifiers = [
	____,
    ____
]

# Instantiate the second-layer meta estimator
clf_meta = ____

# Build the stacking classifier
clf_stack = ____(
   ____,
   ____,
   ____,
   ____)
Редагувати та запускати код