Bagging：使用 scikit-learn 的作法
現在把 scikit-learn 的 BaggingClassifier 用在 Pokémon 資料集上。
你用自行實作的 bagging 集成模型得到約 0.63 的 F1 分數。
BaggingClassifier() 能否超越它？來試試看吧！
本練習屬於課程
Python 的 Ensemble 方法
練習說明
- 建立基礎模型
clf_dt：一棵「受限」的決策樹，最大深度為 4。 - 以該決策樹作為基底估計器，建立一個含 21 個估計器的 bagging 分類器。
- 預測測試集的標籤。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Instantiate the base model
clf_dt = ____
# Build the Bagging classifier
clf_bag = ____(____, ____, random_state=500)
# Fit the Bagging model to the training set
clf_bag.fit(X_train, y_train)
# Predict the labels of the test set
pred = ____
# Show the F1-score
print('F1-Score: {:.3f}'.format(f1_score(y_test, pred)))