LoslegenKostenlos starten

Visualisierung der Modellkomplexität

Nachdem du nun die Korrektklassifikationsrate des KNN-Modells für die Trainings- und Testmengen mit verschiedenen Werten von n_neighbors berechnet hast, kannst du eine Modellkomplexitätskurve erstellen, um zu sehen, wie sich die Leistung ändert, wenn das Modell weniger komplex wird.

Die Variablen neighbors, train_accuracies und test_accuracies, die du in der vorherigen Übung erstellt hast, sind bereits geladen. Nun sollst du die Ergebnisse visualisieren, um die optimale Anzahl von Nachbarn für dein Modell zu finden.

Diese Übung ist Teil des Kurses

<Kurs>Überwachtes Lernen mit scikit-learn</Kurs>
Kurs ansehen

Übungsanweisungen

  • Füge dem Diagramm folgenden Titel hinzu: "KNN: Varying Number of Neighbors".
  • Stelle die Ergebnisse der .values()-Methode mit train_accuracies auf der y-Achse und neighbors auf der x-Achse sowie der Beschriftung "Training Accuracy" grafisch dar.
  • Stelle die Ergebnisse der .values()-Methode mit test_accuracies auf der y-Achse und neighbors auf der x-Achse sowie der Beschriftung "Testing Accuracy" grafisch dar.
  • Zeige das Diagramm an.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Add a title
plt.title("____")

# Plot training accuracies
plt.plot(____, ____, label="____")

# Plot test accuracies
plt.plot(____, ____, label="____")

plt.legend()
plt.xlabel("Number of Neighbors")
plt.ylabel("Accuracy")

# Display the plot
____
Code bearbeiten und ausführen