Bagging：scikit-learn 实现
现在让我们把 scikit-learn 的 BaggingClassifier 用到 Pokémon 数据集上。
您用自定义的 bagging 集成得到的 F1 分数大约是 0.63。
BaggingClassifier() 能超过它吗？现在就来验证！
本练习是课程的一部分
Python 中的集成方法
练习说明
- 实例化基础模型
clf_dt：一个"受限"的决策树，最大深度为 4。 - 以该决策树为基础学习器，构建包含 21 个基学习器的 bagging 分类器。
- 预测测试集的标签。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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)))