LoslegenKostenlos loslegen

Zerlegung in Trainings-/Testdaten und Berechnung der Korrektklassifikationsrate

Nun kannst du anhand des churn_df-Datensatzes selbst üben, wie Daten in Trainings- und Testmengen zerlegt werden.

Es wurden bereits NumPy-Arrays für die Merkmale X und die Zielvariable y für dich erstellt.

Diese Übung ist Teil des Kurses

Überwachtes Lernen mit scikit-learn

Kurs anzeigen

Anleitung zur Übung

  • Importiere train_test_split aus sklearn.model_selection.
  • Zerlege X und y in eine Trainings- und eine Testmenge. Setze dabei test_size auf 20 % und random_state auf 42 und stelle sicher, dass die Verteilung der Ziellabels dem Originaldatensatz entspricht.
  • Passe das Modell knn an die Trainingsdaten an.
  • Berechne die Korrektklassifikationsrate des Modells für die Testdaten und gib sie aus.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Import the module
from ____ import ____

X = churn_df.drop("churn", axis=1).values
y = churn_df["churn"].values

# Split into training and test sets
X_train, X_test, y_train, y_test = ____(____, ____, test_size=____, random_state=____, stratify=____)
knn = KNeighborsClassifier(n_neighbors=5)

# Fit the classifier to the training data
____

# Print the accuracy
print(knn.score(____, ____))
Code bearbeiten und ausführen