Bắt đầu ngayBắt đầu miễn phí

Thử nghiệm đầu tiên với mlxtend

Đến lúc bạn bắt đầu làm việc với mlxtend! Bạn sẽ tiếp tục dùng bộ dữ liệu xếp hạng ứng dụng. Vì bạn đã xây dựng một mô hình stacked ensemble bằng scikit-learn, bạn có cơ sở để so sánh với mô hình sắp xây bằng mlxtend.

Bộ dữ liệu đã được nạp và sẵn có dưới tên apps.

Hãy xem liệu mlxtend có thể xây được một mô hình tốt bằng hoặc tốt hơn bộ phân loại ensemble của scikit-learn không.

Bài tập này là một phần của khóa học

Ensemble Methods in Python

Xem khóa học

Hướng dẫn bài tập

  • Khởi tạo một bộ phân loại cây quyết định với min_samples_leaf = 3 và min_samples_split = 9.
  • Khởi tạo một bộ phân loại K-láng giềng gần nhất với n_neighbors=5 dùng thuật toán 'ball_tree'.
  • Xây dựng StackingClassifier và truyền vào: danh sách các bộ phân loại, meta classifier, use_probas=True (để dùng xác suất), và use_features_in_secondary = False (chỉ dùng các dự đoán riêng lẻ).
  • Đánh giá hiệu năng bằng cách tính accuracy score.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

# Instantiate the first-layer classifiers
clf_dt = ____(____, ____, random_state=500)
clf_knn = ____

# Instantiate the second-layer meta classifier
clf_meta = LogisticRegression()

# Build the Stacking classifier
clf_stack = ____
clf_stack.____

# Evaluate the performance of the Stacking classifier
pred_stack = ____
print("Accuracy: {:0.4f}".format(accuracy_score(y_test, pred_stack)))
Chỉnh sửa và Chạy Mã