使用自助法训练
现在让我们构建一个"弱"决策树分类器，并在从训练集中"有放回"抽样得到的样本上进行训练。这样可以帮助您理解袋装集成的每次迭代会发生什么。
要进行抽样，您将使用 pandas 的 .sample() 方法，它包含一个 replace 参数。例如，下面这行代码会对整个 DataFrame df 进行有放回抽样：
df.sample(frac=1.0, replace=True, random_state=42)
本练习是课程的一部分
Python 中的集成方法
练习说明
- 从整个（
frac=1.0）训练集X_train中进行有放回抽样（replace=True）。 - 使用参数
max_depth = 4构建一个决策树分类器。 - 将模型拟合到抽样得到的训练数据上。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Take a sample with replacement
X_train_sample = X_train.____(____, ____, random_state=42)
y_train_sample = y_train.loc[X_train_sample.index]
# Build a "weak" Decision Tree classifier
clf = ____(____, random_state=500)
# Fit the model to the training sample
____