Voting

Metode Ensemble di Python

Román de las Heras

Data Scientist, Appodeal

Tanya penonton

Kebijaksanaan kerumunan

Kecerdasan kolektif
Kelompok besar >= satu ahli
Pemecahan masalah
Pengambilan keputusan
Inovasi
Prediksi

Majority voting

Properti

Masalah klasifikasi
Majority Voting: modus
Jumlah classifier ganjil (≥3)

Ciri kerumunan yang bijak:

Beragam: algoritma atau dataset berbeda
Independen dan tidak berkorelasi
Gunakan pengetahuan masing-masing
Gabungkan prediksi individu

Voting ensemble dengan scikit-learn

from sklearn.ensemble import VotingClassifier

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

Evaluasi kinerja

# 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)

Ayo berlatih!

Metode Ensemble di Python