Một mô hình bagging phức tạp hơn

Sau khi đã khám phá dữ liệu bán dẫn, giờ hãy xây dựng một bộ phân loại bagging để dự đoán nhãn 'Pass/Fail' từ các đặc trưng đầu vào.

Bộ dữ liệu đã được tiền xử lý có sẵn trong workspace của bạn dưới tên uci_secom, và các tập huấn luyện/kiểm tra đã được tạo sẵn.

Vì biến mục tiêu có mất cân bằng lớp cao, hãy dùng logistic regression "balanced" làm bộ phân loại cơ sở ở đây.

Chúng ta cũng sẽ rút ngắn thời gian tính toán cho LogisticRegression bằng tham số solver='liblinear', là bộ tối ưu nhanh hơn so với mặc định.

Khởi tạo một logistic regression để dùng làm bộ phân loại cơ sở với các tham số: class_weight='balanced', solver='liblinear', và random_state=42.
Xây dựng một bagging classifier sử dụng logistic regression làm base estimator, chỉ định số lượng đặc trưng tối đa là 10, và bật tính điểm out-of-bag.
In điểm out-of-bag để so sánh với độ chính xác.