Začněte nyníZačněte zdarma

k-Nearest Neighbors: trénování modelu

V tomto cvičení sestavíš svůj první klasifikační model pomocí datasetu churn_df, který bude přednahrán po celou dobu této kapitoly.

Cílová proměnná "churn" musí být jednoduchý sloupec se stejným počtem záznamů jako příznaková data. Příznaková data už byla převedena do polí numpy.

"account_length" a "customer_service_calls" jsou použity jako příznaky, protože délka účtu naznačuje loajalitu zákazníka a časté volání na zákaznickou podporu může signalizovat nespokojenost — oboje jsou dobrými prediktory odchodu zákazníka.

Toto cvičení je součástí kurzu

Supervised Learning with scikit-learn

Zobrazit kurz

Pokyny k cvičení

  • Importuj KNeighborsClassifier z sklearn.neighbors.
  • Vytvoř instanci KNeighborsClassifier s názvem knn a 6 sousedy.
  • Natrénuj klasifikátor na datech pomocí metody .fit().

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import KNeighborsClassifier
from ____.____ import ____ 

y = churn_df["churn"].values
X = churn_df[["account_length", "customer_service_calls"]].values

# Create a KNN classifier with 6 neighbors
knn = ____(____=____)

# Fit the classifier to the data
knn.____(____, ____)
Upravit a spustit kód