Głosowanie

Metody zespołowe w Pythonie

Román de las Heras

Data Scientist, Appodeal

Zapytaj publiczność

Zapytaj publiczność.gif

Mądrość zbiorowa

Inteligencja kolektywna
Duża grupa >= Pojedynczy ekspert
Rozwiązywanie problemów
Podejmowanie decyzji
Innowacja
Prognozowanie

Głosowanie większościowe

Właściwości

Problemy klasyfikacji
Głosowanie większościowe: moda
Nieparzysta liczba klasyfikatorów (min. 3)

Prognoza multimodalna.png

Cechy mądrego tłumu:

Różnorodność: różne algorytmy lub zbiory danych
Niezależność i brak korelacji
Wykorzystanie wiedzy indywidualnej
Agregacja indywidualnych prognoz

Ensemble z głosowaniem w scikit-learn

from sklearn.ensemble import VotingClassifier

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

Ocena wydajności

# 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)

Czas na ćwiczenia!

Metody zespołowe w Pythonie