He leído que los métodos de conjuntos integrados en sklearn usan árboles de decisión como los clasificadores básicos. ¿Es posible utilizar clasificadores personalizados en su lugar?¿Cómo usar clasificadores personalizados en clasificadores de conjuntos en sklearn?
Si se refiere a las clases de bosque al azar, entonces no, esto no es posible actualmente. La opción de permitir otros estimadores se discutió en la lista de correo scikit-learn en enero pasado, pero no creo que haya surgido ningún código real en esa discusión.
No sé si ayuda, pero se puede apilar fácilmente/combinar clasificadores personalizados mediante las utilidades de la tubería: http://scikit-learn.org/stable/tutorial/statistical_inference/putting_together.html#pipelining
Si utiliza sklearn.ensemble.AdaBoostClassifier, entonces la respuesta es sí: scikit-learn.org/stable/modules/generated/sklearn.ensemble.AdaBoostClassifier.html Puede asignar base_estimator usted mismo.
Las tuberías no son métodos de conjunto. Solo combinan un único clasificador con una serie de pasos de preproceso. –
Sí, tienes razón. Pero lo que quise decir es que el uso de Pipelining y FeatureUnion se puede usar en conjunto para combinar modelos homogéneos o heterogéneos en pocas líneas de código. Rampa https://github.com/kvh/ramp usa mucho este principio, por ejemplo. – user1151446