Votação

Métodos de Ensemble em Python

Román de las Heras

Data Scientist, Appodeal

Peça ao público

peça-ao-público.gif

Sabedoria da multidão

Inteligência coletiva
Grupo grande >= especialista único
Resolução de problemas
Tomada de decisão
Inovação
Previsão

Votação majoritária

Propriedades

Problemas de classificação
Votação majoritária: moda
Número ímpar de classificadores (3+)

predição-multimodal.png

Características de uma multidão sábia:

Diversidade: algoritmos ou conjuntos de dados diferentes
Independente e não correlacionada
Usa conhecimento individual
Agrega previsões individuais

Conjunto por votação com scikit-learn

from sklearn.ensemble import VotingClassifier

clf_voting = VotingClassifier(
    estimators=[
       ('label1', clf_1), 
       ('label2', clf_2),
       ('labelN', clf_N)])

Avaliar o desempenho

# Get the accuracy score 
acc = accuracy_score(y_test, y_pred)
print("Accuracy: {:0.3f}".format(acc))

Accuracy: 0.938

# Create the individual models
clf_knn = KNeighborsClassifier(5)
clf_dt = DecisionTreeClassifier()
clf_lr = LogisticRegression()

# Create voting classifier
clf_voting = VotingClassifier(
    estimators=[
       ('knn', clf_knn), 
       ('dt', clf_dt), 
       ('lr', clf_lr)])

# Fit it to the training set and predict
clf_voting.fit(X_train, y_train)
y_pred = clf_voting.predict(X_test)

Vamos praticar!

Métodos de Ensemble em Python