Začněte nyníZačněte zdarma

Vizualizace výkonu klasifikačního modelu

V tomto cvičení budeš řešit klasifikační úlohu, kde sloupec "popularity" v datasetu music_df byl převeden na binární hodnoty: 1 označuje popularitu větší nebo rovnou mediánu sloupce "popularity" a 0 označuje popularitu pod mediánem.

Tvým úkolem je sestavit tři různé modely a vizualizovat jejich výsledky při klasifikaci, zda je píseň populární, nebo ne.

Data jsou již rozdělena, škálována a připravena jako X_train_scaled, X_test_scaled, y_train a y_test. Kromě toho jsou naimportovány KNeighborsClassifier, DecisionTreeClassifier a LogisticRegression.

Toto cvičení je součástí kurzu

Supervised Learning with scikit-learn

Zobrazit kurz

Pokyny k cvičení

  • Vytvoř slovník s klíči "Logistic Regression", "KNN" a "Decision Tree Classifier" a nastav hodnoty slovníku na volání příslušných modelů.
  • Projdi hodnoty ve slovníku models ve smyčce.
  • Vytvoř objekt KFold pro 6 rozdělení, nastav shuffle na True a random_state na 12.
  • Proveď křížovou validaci s použitím modelu, škálovaných trénovacích příznaků, cílové trénovací sady a nastav cv na hodnotu kf.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create models dictionary
models = {"____": ____(), "____": ____(), "____": ____()}
results = []

# Loop through the models' values
for model in ____.____():
  
  # Instantiate a KFold object
  kf = ____(n_splits=____, random_state=____, shuffle=____)
  
  # Perform cross-validation
  cv_results = ____(____, ____, ____, cv=____)
  results.append(cv_results)
plt.boxplot(results, labels=models.keys())
plt.show()
Upravit a spustit kód