Ein Klassifikationsmodell erstellen
Visuell Unterschiede zu erkennen, hilft dir, ein Gefühl für die Daten zu bekommen. Jetzt wollen wir prüfen, ob du das mit einem Modell operationalisieren kannst. In dieser Übung verwendest du jede Wiederholung als einen Datapoint und jeden Zeitpunkt als Feature, um einen Klassifikator zu trainieren, der nur mit den Rohdaten zwischen abnormalen und normalen Herzschlägen unterscheidet.
Wir haben die beiden DataFrames (normal und abnormal) in X_train, X_test, y_train und y_test aufgeteilt.
Diese Übung ist Teil des Kurses
Maschinelles Lernen für Zeitreihendaten in Python
Anleitung zur Übung
- Erstelle eine Instanz des Linear-SVC-Modells und trainiere das Modell mit den Trainingsdaten.
- Verwende die Testdaten, um mit dem Modell Vorhersagen zu erzeugen.
- Bewerte das Modell mit dem bereitgestellten Code.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
from sklearn.svm import LinearSVC
# Initialize and fit the model
model = ____
model.____
# Generate predictions and score them manually
predictions = model.____
print(sum(predictions == y_test.squeeze()) / len(y_test))