Machine Learning avec Scikit-Learn

184

Chapitre 7. Apprentissage d’ensemble et forêts aléatoires

voting_clf = VotingClassifier(

estimators=[('lr', log_clf), ('rf', rnd_clf), ('svc', svm_clf)],

voting='hard'

)

voting_clf.fit(X_train, y_train)

Examinons l’exactitude de chacun des classicateurs sur le jeu d’entraînement:

>>> from sklearn.metrics import accuracy_score

>>> for clf in (log_clf, rnd_clf, svm_clf, voting_clf):

... clf.fit(X_train, y_train)

... y_pred = clf.predict(X_test)

... print(clf.__class__.__name__, accuracy_score(y_test, y_pred))

...

LogisticRegression 0.864

RandomForestClassifier 0.896

SVC 0.888

VotingClassifier 0.904

Et voilà! Le classicateur à vote majoritaire obtient ...