Bagging

Uczenie maszynowe z modelami drzewiastymi w Pythonie

Elie Kawerk

Data Scientist

Metody ensemble

Klasyfikator głosujący

ten sam zbiór treningowy,
$\neq$ algorytmy.

Bagging

jeden algorytm,
$\neq$ podzbiory zbioru treningowego.

Bagging

Bagging: Bootstrap Aggregation.
Wykorzystuje technikę zwaną bootstrapem.
Redukuje wariancję poszczególnych modeli w ensemble.

Bootstrap

bootstrap

Bagging: Uczenie

train-bagg

Bagging: Predykcja

predict-bagg

Bagging: Klasyfikacja i regresja

Klasyfikacja:

Agreguje prognozy przez głosowanie większościowe.
BaggingClassifier w scikit-learn.

Regresja:

Agreguje prognozy przez uśrednianie.
BaggingRegressor w scikit-learn.

BaggingClassifier w sklearn (zbiór danych Breast-Cancer)

# Import models and utility functions
from sklearn.ensemble import BaggingClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
from sklearn.model_selection import train_test_split

# Set seed for reproducibility
SEED = 1

# Split data into 70% train and 30% test
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3,
                                                    stratify=y,
                                                    random_state=SEED)

# Instantiate a classification-tree 'dt'
dt = DecisionTreeClassifier(max_depth=4, min_samples_leaf=0.16, random_state=SEED)

# Instantiate a BaggingClassifier 'bc'
bc = BaggingClassifier(base_estimator=dt, n_estimators=300, n_jobs=-1)

# Fit 'bc' to the training set
bc.fit(X_train, y_train)
# Predict test set labels
y_pred = bc.predict(X_test)

# Evaluate and print test-set accuracy
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy of Bagging Classifier: {:.3f}'.format(accuracy))

Accuracy of Bagging Classifier: 0.936

Czas na ćwiczenia!

Uczenie maszynowe z modelami drzewiastymi w Pythonie