LoslegenKostenlos loslegen

Einstiegsmodell

In dieser Übung baust du einen MLP-Klassifikator auf dem Datensatz mit Bildern aus Kapitel 1. Zur Erinnerung: Jedes Bild stellt eine Zahl von 0 bis 9 dar, und das Ziel ist, jedes Bild als Zahl zu klassifizieren. Die verwendeten Features sind bestimmte Pixelwerte im Bereich 0–16, die das Bild ausmachen. Nach dem Skalieren der Features bewertest du die Genauigkeit des Klassifikators auf dem Test-Set.

In deinem Workspace sind Beispieldaten in DataFrame-Form als image_data geladen, außerdem sklearn und pandas als pd. StandardScaler() aus sklearn.preprocessing ist ebenfalls verfügbar.

Diese Übung ist Teil des Kurses

CTR-Vorhersage mit Machine Learning in Python

Kurs anzeigen

Anleitung zur Übung

  • Skaliere die Features standardisiert mit .fit_transform() und teile die Daten mit train_test_split() in Trainings- und Test-Set.
  • Erstelle einen MLP-Klassifikator.
  • Erzeuge Vorhersagen mit dem Klassifikator und bewerte die Genauigkeit mit accuracy_score().

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Define X and y
X, y = image_data.data, image_data.target

# Scale features and split into training and testing
X_scaled = ____().____(X)
X_train, X_test, y_train, y_test = ____(
  X_scaled, y, test_size = .2, random_state = 0)

# Create classifier, train and evaluate accuracy 
clf = ____()
y_pred = clf.____(X_train, y_train).____(X_test)
print(____(y_test, y_pred))
Code bearbeiten und ausführen