Erste SchritteKostenlos loslegen

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

Überwachtes Lernen mit scikit-learn

Kurs anzeigen

Anleitung zur Übung

  • 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 Übung zum Anfassen

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

# 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
____
Bearbeiten und Ausführen von Code