Začněte nyníZačněte zdarma

Přetrénování a podtrénování

Sledování složitosti modelu je skvělý způsob, jak hodnotit výkon v rámci supervised learningu. Cílem je vytvořit model, který dokáže zachytit vztah mezi příznaky a cílovou proměnnou a zároveň dobře zobecňovat na nová pozorování.

Trénovací a testovací sady byly vytvořeny z datasetu churn_df a jsou připraveny jako X_train, X_test, y_train a y_test.

Navíc jsou pro tebe naimportovány KNeighborsClassifier a numpy jako np.

Toto cvičení je součástí kurzu

Supervised Learning with scikit-learn

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř proměnnou neighbors jako numpy pole hodnot od 1 včetně do 12 včetně.
  • Vytvoř instanci KNeighborsClassifier, kde počet sousedů odpovídá iterátoru neighbor.
  • Natrénuj model na trénovacích datech.
  • Vypočítej skóre přesnosti pro trénovací a testovací sadu zvlášť pomocí metody .score() a výsledky ulož do slovníků train_accuracies a test_accuracies s použitím iterátoru neighbor jako indexu.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create neighbors
neighbors = np.arange(____, ____)
train_accuracies = {}
test_accuracies = {}

for neighbor in neighbors:
  
	# Set up a KNN Classifier
	knn = ____(____=____)
  
	# Fit the model
	knn.____(____, ____)
  
	# Compute accuracy
	train_accuracies[____] = knn.____(____, ____)
	test_accuracies[____] = knn.____(____, ____)
print(neighbors, '\n', train_accuracies, '\n', test_accuracies)
Upravit a spustit kód