LoslegenKostenlos loslegen

Modell trainieren und testen

In der vorherigen Übung hast du den Datensatz in X_train, X_test, y_train und y_test aufgeteilt. Diese Datensätze wurden bereits für dich geladen. Jetzt erstellst du ein Support-Vector-Machine-Klassifikationsmodell (SVC()) und passt es an die Trainingsdaten an. Anschließend berechnest du die Accuracy für Test- und Trainingsdaten, um Overfitting zu erkennen.

Diese Übung ist Teil des Kurses

Dimensionsreduktion in Python

Kurs anzeigen

Anleitung zur Übung

  • Importiere SVC aus sklearn.svm und accuracy_score aus sklearn.metrics.
  • Erstelle eine Instanz der Support Vector Classification-Klasse (SVC()).
  • Fitte das Modell auf die Trainingsdaten.
  • Berechne die Accuracy sowohl auf den Trainings- als auch auf den Testdaten.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Import SVC from sklearn.svm and accuracy_score from sklearn.metrics
from ____ import ____
from ____ import ____

# Create an instance of the Support Vector Classification class
svc = ____

# Fit the model to the training data
svc.fit(____, ____)

# Calculate accuracy scores on both train and test data
accuracy_train = accuracy_score(____, svc.predict(____))
accuracy_test = accuracy_score(____, svc.predict(____))

print(f"{accuracy_test:.1%} accuracy on test set vs. {accuracy_train:.1%} on training set")
Code bearbeiten und ausführen