应用 stacking 预测应用评分
在本练习中，您将开始构建第一个 Stacking 集成模型。所用数据集与第 1 章使用的第一个数据集相同。回顾一下，目标是预测每个应用的评分（1 到 5）。我们使用的输入特征包括：Reviews、Size、Installs、Type、Price、Content Rating。
我们已完成步骤 1：准备数据集。数据已作为 apps 提供。我们已清洗所需特征，并将缺失值替换为 0。
现在，您将进行步骤 2：构建第一层基学习器。
本练习是课程的一部分
Python 中的集成方法
练习说明
- 构建并训练一个决策树分类器，参数为：
min_samples_leaf: 3和min_samples_split: 9。 - 构建并训练一个 5-近邻分类器，使用参数：
algorithm: 'ball_tree'（用于加速处理）。 - 使用测试集上的准确率评估每个基学习器的性能。
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 fit a Decision Tree classifier
clf_dt = ____(____, ____, random_state=500)
clf_dt.____
# Build and fit a 5-nearest neighbors classifier using the 'Ball-Tree' algorithm
clf_knn = ____
clf_knn.____
# Evaluate the performance using the accuracy score
print('Decision Tree: {:0.4f}'.format(accuracy_score(____)))
print('5-Nearest Neighbors: {:0.4f}'.format(accuracy_score(____)))