Optimizar n_neighbors

Ahora que ya hemos escalado los datos, podemos probar un modelo KNN. Para maximizar el rendimiento, debemos ajustar los hiperparámetros del modelo. En el algoritmo de k-vecinos más cercanos solo hay un hiperparámetro: n, el número de vecinos. Definimos este hiperparámetro cuando creamos el modelo con KNeighborsRegressor. El argumento para el número de vecinos es n_neighbors.

Queremos probar un rango de valores que pase por la configuración con mejor rendimiento. Normalmente empezamos con 2 vecinos y vamos aumentando hasta que nuestra métrica de evaluación empiece a bajar. Aquí optimizaremos n usando el valor R\(^2\) del método .score() sobre el conjunto de prueba (scaled_test_features y test_targets). Usaremos las puntuaciones del conjunto de prueba para determinar el mejor n.

Este ejercicio forma parte del curso

Machine Learning para finanzas con Python

Ver curso

Instrucciones del ejercicio

Recorre valores de 2 a 12 para n y úsalo como n_neighbors en el modelo knn.
Ajusta el modelo con los datos de entrenamiento (scaled_train_features y train_targets).
Imprime los valores R\(^2\) usando el método .score() del modelo knn para los conjuntos de entrenamiento y prueba, y toma nota de la mejor puntuación en el conjunto de prueba.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

from sklearn.neighbors import KNeighborsRegressor

for n in range(____):
    # Create and fit the KNN model
    knn = KNeighborsRegressor(n_neighbors=____)
    
    # Fit the model to the training data
    knn.fit(____, ____)
    
    # Print number of neighbors and the score to find the best value of n
    print("n_neighbors =", n)
    print('train, test scores')
    print(knn.score(scaled_train_features, train_targets))
    print(knn.score(____, ____))
    print()  # prints a blank line

Editar y ejecutar código