Erste SchritteKostenlos loslegen

Einzelne Klassifikatoren evaluieren

In dieser Übung wirst du die Leistung der Modelle in der Liste classifiers bewerten, die wir in der vorherigen Übung definiert haben. Dazu passt du jeden Klassifikator an die Trainingsmenge an und bewertest seine Genauigkeit auf der Testmenge.

Der Datensatz ist bereits geladen und für dich vorverarbeitet (numerische Merkmale sind standardisiert) und in 70% Trainings- und 30% Testdaten aufgeteilt. Die Merkmalsmatrizen X_train und X_test sowie die Arrays der Labels y_train und y_test sind in deinem Arbeitsbereich verfügbar. Außerdem haben wir die Liste classifiers aus der vorherigen Übung geladen, sowie die Funktion accuracy_score() aus sklearn.metrics.

Diese Übung ist Teil des Kurses

Maschinelles Lernen mit baumbasierten Modellen in Python

Kurs anzeigen

Anleitung zur Übung

  • Iteriere über die Tupel in classifiers. Verwende clf_name und clf als Variablen für die for Schleife:

    • Passe clf an die Trainingsmenge an.

    • Sage die Kennzeichnungen der Testmenge clf voraus und ordne die Ergebnisse y_pred zu.

    • Evaluiere die Genauigkeit des Testsatzes von clf und drucke das Ergebnis aus.

Interaktive Übung zum Anfassen

Probieren Sie diese Übung aus, indem Sie diesen Beispielcode ausführen.

# Iterate over the pre-defined list of classifiers
for clf_name, clf in ____:    
 
    # Fit clf to the training set
    ____.____(____, ____)    
   
    # Predict y_pred
    y_pred = ____.____(____)
    
    # Calculate accuracy
    accuracy = ____(____, ____) 
   
    # Evaluate clf's accuracy on the test set
    print('{:s} : {:.3f}'.format(clf_name, accuracy))
Bearbeiten und Ausführen von Code