ComenzarEmpieza gratis

Evaluar clasificadores individuales

En este ejercicio evaluarás el rendimiento de los modelos de la lista classifiers que definimos en el ejercicio anterior. Lo harás ajustando cada clasificador al conjunto de entrenamiento y evaluando su precisión en el conjunto de prueba.

El conjunto de datos ya está cargado y preprocesado para ti (las características numéricas están normalizadas) y está dividido en un 70 % de entrenamiento y un 30 % de prueba. Las matrices de características X_train y X_test, así como las matrices de etiquetas y_train y y_test están disponibles en tu espacio de trabajo. Además, hemos cargado la lista classifiers del ejercicio anterior, así como la función accuracy_score() de sklearn.metrics.

Este ejercicio forma parte del curso

Machine learning con modelos basados en árboles en Python

Ver curso

Instrucciones del ejercicio

  • Iterar sobre las tuplas de classifiers. Utiliza clf_name y clf como variables del bucle for:

    • Ajusta clf al conjunto de entrenamiento.

    • Predice las etiquetas del conjunto de pruebas de clf y asigna los resultados a y_pred.

    • Evalúa la precisión del conjunto de pruebas de clf e imprime el resultado.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Iterate over the pre-defined list of classifiers
for clf_name, clf in ____:    
 
    # Fit clf to the training set
    ____.____(____, ____)    
   
    # Predict y_pred
    y_pred = ____.____(____)
    
    # Calculate accuracy
    accuracy = ____(____, ____) 
   
    # Evaluate clf's accuracy on the test set
    print('{:s} : {:.3f}'.format(clf_name, accuracy))
Editar y ejecutar código