CommencezCommencez gratuitement

Évaluer les classificateurs individuels

Dans cet exercice, vous allez évaluer la performance des modèles de la liste classifiers que nous avons définie à l'exercice précédent. Pour ce faire, vous entraînerez chaque classificateur sur l'ensemble d'entraînement et évaluerez son exactitude sur l'ensemble de test.

L'ensemble de données est déjà chargé et prétraité pour vous (les variables numériques sont normalisées) et il est séparé en 70 % entraînement et 30 % test. Les matrices de caractéristiques X_train et X_test, ainsi que les tableaux d'étiquettes y_train et y_test, sont disponibles dans votre espace de travail. De plus, nous avons chargé la liste classifiers de l'exercice précédent, ainsi que la fonction accuracy_score() de sklearn.metrics.

Cette activité fait partie du cours

Machine Learning avec des modèles à base d'arbres en Python

Voir le cours

Instructions de l’exercice

  • Parcourez les tuples dans classifiers. Utilisez clf_name et clf comme variables de la boucle for :
    • Entraînez clf sur l'ensemble d'entraînement.
    • Prédisez les étiquettes de l'ensemble de test avec clf et assignez le résultat à y_pred.
    • Évaluez l'exactitude sur l'ensemble de test de clf et affichez le résultat.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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))
Modifier et exécuter le code