Ajuster et tester le modèle

Dans l'exercice précédent, vous avez scindé l'ensemble de données en X_train, X_test, y_train et y_test. Ces ensembles ont été préchargés pour vous. Vous allez maintenant créer un classifieur à vecteurs de support (SVC()) et l'ajuster aux données d'entraînement. Vous calculerez ensuite la justesse sur les ensembles de test et d'entraînement pour détecter le surapprentissage.

Cette activité fait partie du cours

Réduction de dimensionnalité en Python

Voir le cours

Instructions de l’exercice

Importez SVC de sklearn.svm et accuracy_score de sklearn.metrics.
Créez une instance de la classe de classification à vecteurs de support (SVC()).
Ajustez le modèle aux données d'entraînement.
Calculez les scores de justesse sur les données d'entraînement et de test.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import SVC from sklearn.svm and accuracy_score from sklearn.metrics
from ____ import ____
from ____ import ____

# Create an instance of the Support Vector Classification class
svc = ____

# Fit the model to the training data
svc.fit(____, ____)

# Calculate accuracy scores on both train and test data
accuracy_train = accuracy_score(____, svc.predict(____))
accuracy_test = accuracy_score(____, svc.predict(____))

print(f"{accuracy_test:.1%} accuracy on test set vs. {accuracy_train:.1%} on training set")

Modifier et exécuter le code