Kiểm tra out-of-bag score
Bây giờ hãy kiểm tra out-of-bag score cho mô hình từ bài tập trước.
Đến hiện tại bạn đã dùng F1 score để đo lường hiệu năng. Tuy nhiên, trong bài này bạn nên dùng accuracy score để dễ so sánh với out-of-bag score.
Bộ phân loại cây quyết định từ bài trước, clf_dt, đã có sẵn trong không gian làm việc của bạn.
Bộ dữ liệu pokemon đã được nạp sẵn và chia thành tập huấn luyện và kiểm tra.
Ngoài ra, bộ phân loại cây quyết định đã được fit và có sẵn dưới tên clf_dt để bạn dùng làm base estimator.
Bài tập này là một phần của khóa học
Ensemble Methods in Python
Hướng dẫn bài tập
- Xây dựng bộ phân loại bagging dùng cây quyết định làm base estimator với 21 estimator. Lần này, hãy sử dụng out-of-bag score bằng cách truyền đối số cho tham số
oob_score. - In ra out-of-bag score của bộ phân loại.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Build and train the bagging classifier
clf_bag = ____(
____,
____,
____,
random_state=500)
clf_bag.fit(X_train, y_train)
# Print the out-of-bag score
print('OOB-Score: {:.3f}'.format(____))
# Evaluate the performance on the test set to compare
pred = clf_bag.predict(X_test)
print('Accuracy: {:.3f}'.format(accuracy_score(y_test, pred)))