Contenu du cours

Apprentissage Ensembliste

1. Principes de Base de la Construction de Modèles d'Ensemble

Qu'est-ce Qu'un Ensemble de Modèles ?Modèles de Bagging Modèles de Boosting Empilement de Modèles

2. Modèles de Bagging Couramment Utilisés

Classificateur de Bagging Défi : Résoudre la Tâche en Utilisant le Classificateur de Bagging Régression par Ensachage Défi : Résoudre la Tâche en Utilisant le Régressseur de Bagging Forêt Aléatoire Défi : Déterminer l'Importance des Caractéristiques en Utilisant la Forêt Random Arbres Supplémentaires

3. Modèles de Boosting Couramment Utilisés

Classificateur AdaBoost Défi : Résoudre la Tâche en Utilisant le Classificateur AdaBoost Défi : Résoudre la Tâche en Utilisant AdaBoost Regressor Amélioration du Gradient XGBoost Défi : Résoudre la Tâche en Utilisant XGBoost

4. Modèles de Stacking Couramment Utilisés

Classificateur d'Empilement Défi : Résoudre la Tâche en Utilisant un Classificateur de Stacking Défi : Résoudre la Tâche en Utilisant un Stacking Regressor Utilisation des Ensembles comme Modèles de Base Résumé du Cours

Défi : Résoudre la Tâche en Utilisant le Classificateur de Bagging

Tâche

Swipe to start coding

Le jeu de données load_breast_cancer est un jeu de données intégré fourni par scikit-learn. Il est couramment utilisé pour les tâches de classification binaire, en particulier dans le contexte du diagnostic du cancer du sein. Ce jeu de données contient des caractéristiques calculées à partir d'une image numérisée d'une aspiration à l'aiguille fine (FNA) d'une masse mammaire. L'objectif est de prédire si une masse donnée est maligne (cancéreuse) ou bénigne (non cancéreuse).

Votre tâche consiste à résoudre le problème de classification en utilisant BaggingClassifier sur le jeu de données load_breast_cancer :

Créez une instance de la classe BaggingClassifier : spécifiez le modèle de base SVC (Support Vector Classifier) et définissez le nombre d'estimateurs de base égal à 10.
Ajustez le modèle d'ensemble.
Obtenez le résultat final en utilisant la technique de vote souple : pour chaque échantillon du jeu de données de test, obtenez la matrice de probabilité et trouvez la classe avec la probabilité maximale.

_{Une fois que vous avez terminé cette tâche, cliquez sur le bouton ci-dessous le code pour vérifier votre solution.}

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 2. Chapitre 2

Défi : Résoudre la Tâche en Utilisant le Classificateur de Bagging

Tâche

Swipe to start coding

Votre tâche consiste à résoudre le problème de classification en utilisant BaggingClassifier sur le jeu de données load_breast_cancer :

Créez une instance de la classe BaggingClassifier : spécifiez le modèle de base SVC (Support Vector Classifier) et définissez le nombre d'estimateurs de base égal à 10.
Ajustez le modèle d'ensemble.
Obtenez le résultat final en utilisant la technique de vote souple : pour chaque échantillon du jeu de données de test, obtenez la matrice de probabilité et trouvez la classe avec la probabilité maximale.

_{Une fois que vous avez terminé cette tâche, cliquez sur le bouton ci-dessous le code pour vérifier votre solution.}

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 2. Chapitre 2

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous