Votación

Ensemble Methods in Python

Román de las Heras

Data Scientist, Appodeal

Pregunta al público

pregunta-al-público.gif

Sabiduría de las multitudes

Inteligencia colectiva
Gran grupo de personas >= Experto individual
Resolución de problemas
Toma de decisiones
Innovación
Predicción

Votación mayoritaria

Propiedades

Problemas de clasificación
Votación mayoritaria: moda
Número impar de clasificadores (3+)

Rasgos de una multitud sabia:

Diversa: distintos algoritmos o conjuntos de datos
Independiente y no correlacionada
Usa conocimiento individual
Agrega predicciones individuales

Ensamblado por votación con scikit-learn

from sklearn.ensemble import VotingClassifier

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

Evalúa el rendimiento

# 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 a practicar!

Ensemble Methods in Python