Vote

Méthodes d'ensemble en Python

Román de las Heras

Data Scientist, Appodeal

Demander l'avis du public

Sagesse de la foule

Intelligence collective
Grand groupe d'individus >= expert seul
Résolution de problèmes
Prise de décision
Innovation
Prédiction

Vote majoritaire

Propriétés

Problèmes de classification
Vote majoritaire : mode
Nombre impair de classificateurs (3+)

prédiction multimodale

Caractéristiques d'une foule avisée :

Diversifiée : algorithmes ou ensembles de données différents
Indépendante et non corrélée
Exploite les connaissances individuelles
Agrège les prédictions individuelles

Ensemble par vote avec scikit-learn

from sklearn.ensemble import VotingClassifier

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

Évaluer la performance

# 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)

Essayons !

Méthodes d'ensemble en Python