检查袋外评分

现在来检查上一练习中模型的袋外评分。

到目前为止，您一直使用 F1 分数来评估性能。不过，在本练习中请使用准确率，这样更便于与袋外评分进行对比。

上一练习中的决策树分类器 clf_dt 已在您的工作区中可用。

pokemon 数据集已为您加载并划分为训练集和测试集。此外，决策树分类器已经拟合完成，可作为基学习器通过 clf_dt 提供给您使用。

本练习是课程的一部分

Python 中的集成方法

查看课程

练习说明

使用决策树作为基学习器，构建包含 21 个基学习器的 Bagging 分类器。这一次，请通过为 oob_score 参数设定取值来启用袋外评分。
打印该分类器的袋外评分。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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)))

编辑并运行代码