BaggingClassifier: dettagli pratici

Metodi Ensemble in Python

Román de las Heras

Data Scientist, Appodeal

Funzioni eterogenee vs omogenee

Funzione Ensemble eterogenea

het_est = HeterogeneousEnsemble(
    estimators=[('est1', est1), ('est2', est2), ...],
    # additional parameters
)

Funzione Ensemble omogenea

hom_est = HomogeneousEnsemble(
    est_base,
    n_estimators=chosen_number,
    # additional parameters
)

Esempio di Bagging Classifier:

# Istanzia il modello base (modello "debole")
clf_dt = DecisionTreeClassifier(max_depth=3)

# Costruisci il Bagging classifier con 5 stimatori
clf_bag = BaggingClassifier(
    clf_dt,
    n_estimators=5
)

# Allena il modello Bagging sul training set
clf_bag.fit(X_train, y_train)

# Previsioni sul test set
y_pred = clf_bag.predict(X_test)

Esempio di Bagging Regressor:

# Istanzia il modello base (modello "debole")
reg_lr = LinearRegression()

# Costruisci il Bagging regressor con 10 stimatori
reg_bag = BaggingRegressor(
    reg_lr
)

# Allena il modello Bagging sul training set
reg_bag.fit(X_train, y_train)

# Previsioni sul test set
y_pred = reg_bag.predict(X_test)

Calcola le singole previsioni usando tutti gli stimatori per cui un'istanza era fuori campione
Combina le previsioni individuali
Valuta la metrica su quelle previsioni:
- Classificazione: accuracy
- Regressione: R^2

clf_bag = BaggingClassifier(
    clf_dt,
    oob_score=True
)
clf_bag.fit(X_train, y_train)

print(clf_bag.oob_score_)

0.9328125

pred = clf_bag.predict(X_test)
print(accuracy_score(y_test, pred))

0.9625

Metodi Ensemble in Python