Trénování a testování modelu

V předchozím cvičení jsi rozdělil/a dataset na X_train, X_test, y_train a y_test. Tyto datasety jsou už pro tebe připravené. Teď vytvoříš klasifikátor na bázi podpůrných vektorů (SVC()) a natrénuješ ho na trénovacích datech. Následně vypočítáš přesnost na testovací i trénovací sadě, abys odhalil/a případné přetrénování modelu.

Toto cvičení je součástí kurzu

Redukce dimenzionality v Pythonu

Zobrazit kurz

Pokyny k cvičení

Importuj SVC z sklearn.svm a accuracy_score z sklearn.metrics.
Vytvoř instanci třídy Support Vector Classification (SVC()).
Natrénuj model na trénovacích datech.
Vypočítej skóre přesnosti na trénovací i testovací sadě.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import SVC from sklearn.svm and accuracy_score from sklearn.metrics
from ____ import ____
from ____ import ____

# Create an instance of the Support Vector Classification class
svc = ____

# Fit the model to the training data
svc.fit(____, ____)

# Calculate accuracy scores on both train and test data
accuracy_train = accuracy_score(____, svc.predict(____))
accuracy_test = accuracy_score(____, svc.predict(____))

print(f"{accuracy_test:.1%} accuracy on test set vs. {accuracy_train:.1%} on training set")

Upravit a spustit kód