Un segundo modelo de juguete
En este ejercicio, vas a construir otro clasificador usando regresión logística sobre un conjunto de datos de imágenes. Cada imagen representa un número del 0 al 9. El objetivo es clasificar cada imagen como un número; por ejemplo, un 7 o un 9. Las características utilizadas son valores concretos de píxeles entre 0 y 16 que componen la imagen. En lugar de evaluar la exactitud a mano, evaluarás la exactitud del modelo usando accuracy_score() de sklearn.
Los datos de ejemplo de imágenes se cargan como image_data, y sklearn y pandas están disponibles como pd. LogisticRegression está disponible a través de sklearn.linear_model.
Este ejercicio forma parte del curso
Predicción del CTR con Machine Learning en Python
Instrucciones del ejercicio
- Obtén el número de filas de
Xpara determinar el índice en el que dividir los datos de entrenamiento y de prueba. - Crea un clasificador de regresión logística.
- Genera predicciones con el clasificador y evalúa la exactitud usando
accuracy_score()desklearn.metrics.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Define X and y
X = image_data.data
y = image_data.target
# Define training and testing
split = int(0.7 * ____(X))
X_train, X_test, y_train, y_test = \
X[:split], X[split:], y[:split], y[split:]
# Create logistic regression classifier
clf = ____()
# Train classifier - predict label and evaluate accuracy
y_pred = clf.fit(X_train, y_train).____(X_test)
print(____(y_test, y_pred))