Začněte nyníZačněte zdarma

Druhý ukázkový model

V tomto cvičení sestavíš další klasifikátor pomocí logistické regrese na datové sadě obrázků. Každý obrázek představuje číslo od 0 do 9. Cílem je zařadit každý obrázek do správné číselné kategorie – například 7 nebo 9. Jako příznaky se používají konkrétní hodnoty pixelů v rozsahu 0–16, ze kterých se obrázek skládá. Místo ručního vyhodnocování přesnosti použiješ funkci accuracy_score() ze sklearn.

Ukázková obrazová data jsou načtena jako image_data spolu se sklearn a pandas jako pd. LogisticRegression je dostupná přes sklearn.linear_model.

Toto cvičení je součástí kurzu

Předpovídání CTR pomocí Machine Learning v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Zjisti počet řádků X, abys určil/a index pro rozdělení dat na trénovací a testovací část.
  • Vytvoř klasifikátor logistické regrese.
  • Vygeneruj předpovědi pomocí klasifikátoru a vyhodnoť přesnost modelu pomocí accuracy_score() ze sklearn.metrics.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Define X and y 
X = image_data.data
y = image_data.target

# Define training and testing
split = int(0.7 * ____(X))
X_train, X_test, y_train, y_test = \
	X[:split], X[split:], y[:split], y[split:] 

# Create logistic regression classifier
clf = ____()

# Train classifier - predict label and evaluate accuracy
y_pred = clf.fit(X_train, y_train).____(X_test) 
print(____(y_test, y_pred))
Upravit a spustit kód