CommencezCommencez gratuitement

Modèle de départ

Dans cet exercice, vous allez entraîner un classifieur MLP sur le jeu de données d'images utilisé au chapitre 1. Pour rappel, chaque image représente un chiffre de 0 à 9 et l'objectif est de classer chaque image selon le bon chiffre. Les caractéristiques utilisées sont des valeurs de pixels précises, allant de 0 à 16, qui composent l'image. Après la normalisation des caractéristiques, vous évaluerez la justesse du classifieur sur l'ensemble de test.

Dans votre espace de travail, des données d'images d'exemple sous forme de DataFrame sont chargées dans image_data, ainsi que sklearn et pandas sous pd. StandardScaler() de sklearn.preprocessing est aussi disponible.

Cette activité fait partie du cours

Prédire le CTR avec le Machine Learning en Python

Voir le cours

Instructions de l’exercice

  • Appliquez une mise à l'échelle standard aux caractéristiques avec .fit_transform() et séparez les données en ensembles d'entraînement et de test à l'aide de train_test_split().
  • Créez un classifieur MLP.
  • Générez des prédictions avec le classifieur et évaluez la justesse avec accuracy_score().

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Define X and y
X, y = image_data.data, image_data.target

# Scale features and split into training and testing
X_scaled = ____().____(X)
X_train, X_test, y_train, y_test = ____(
  X_scaled, y, test_size = .2, random_state = 0)

# Create classifier, train and evaluate accuracy 
clf = ____()
y_pred = clf.____(X_train, y_train).____(X_test)
print(____(y_test, y_pred))
Modifier et exécuter le code