LoslegenKostenlos loslegen

Nächste-Nachbarn-Klassifikation: Anpassung

In dieser Übung erstellst du dein erstes Klassifikationsmodell mithilfe des churn_df-Datensatzes, der Daten zur Kundenabwanderung enthält und für den Rest des Kapitels bereits geladen wurde.

Die Zielvariable, "churn", muss eine einzelne Spalte sein und dieselbe Anzahl von Beobachtungen enthalten wie die Merkmalsdaten. Die Merkmalsdaten wurden bereits in numpy-Arrays umgewandelt.

Die Zeitdauer seit der Kontoeröffnung ("account_length") und die Anzahl der Anfragen an den Kundendienst ("customer_service_calls") werden als Merkmale genutzt, weil Ersteres auf Kundentreue hindeutet und Letzteres Unzufriedenheit signalisieren könnte – dies sind also potenziell gute Prädiktoren für die Abwanderung.

Diese Übung ist Teil des Kurses

Überwachtes Lernen mit scikit-learn

Kurs anzeigen

Anleitung zur Übung

  • Importiere KNeighborsClassifier aus sklearn.neighbors.
  • Instanziiere ein KNeighborsClassifier-Objekt namens knn mit 6 Nachbarn.
  • Passe den Klassifikator mit der Methode .fit() an die Daten an.

Interaktive Übung

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

# Import KNeighborsClassifier
from ____.____ import ____ 

y = churn_df["churn"].values
X = churn_df[["account_length", "customer_service_calls"]].values

# Create a KNN classifier with 6 neighbors
knn = ____(____=____)

# Fit the classifier to the data
knn.____(____, ____)
Code bearbeiten und ausführen