KNN na škálovaných datech

Skóre přesnosti na neškálovaném datasetu wine bylo slušné, ale podívejme se, čeho lze dosáhnout pomocí standardizace. Model knn i data a štítky X a y už jsou pro tebe připravené.

Toto cvičení je součástí kurzu

Preprocessing pro Machine Learning v Pythonu

Zobrazit kurz

Pokyny k cvičení

Vytvoř metodu StandardScaler() a ulož ji do proměnné scaler.
Škáluj trénovací i testovací příznaky — dávej pozor, abys nevnesl/a data leakage.
Natrénuj model knn na škálovaných trénovacích datech.
Vyhodnoť výkon modelu výpočtem přesnosti na testovací sadě.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=42)

# Instantiate a StandardScaler
scaler = ____

# Scale the training and test features
X_train_scaled = ____.____(____)
X_test_scaled = ____.____(____)

# Fit the k-nearest neighbors model to the training data
____.____(____, ____)

# Score the model on the test data
print(____.____(____, ____))

Upravit a spustit kód