1. Learn
    2. /
  2. Курси
    3. /
  3. Ансамблеві методи в Python
Connected

Вправа

Складніша модель bagging

Ознайомившись із даними про напівпровідники, побудуймо тепер класифікатор bagging, щоб передбачити мітку 'Pass/Fail' за вхідними ознаками.

Попередньо опрацьований набір даних доступний у вашому робочому середовищі як uci_secom, а тренувальну та тестову вибірки вже створено для вас.

Оскільки цільова змінна має сильний дисбаланс класів, використайте логістичну регресію з "balanced" як базову модель.

Також зменшимо час обчислень для LogisticRegression, задавши параметр solver='liblinear', який є швидшим оптимізатором, ніж параметр за замовчуванням.

Інструкції

100 XP
  • Створіть екземпляр логістичної регресії для використання як базового класифікатора з параметрами: class_weight='balanced', solver='liblinear' та random_state=42.
  • Побудуйте класифікатор bagging, використовуючи логістичну регресію як базову модель, вказавши максимальну кількість ознак 10 та ввімкнувши оцінку out-of-bag.
  • Виведіть значення out-of-bag, щоб порівняти його з accuracy.