CommencezCommencez gratuitement

Un deuxième modèle jouet

Dans cet exercice, vous allez construire un autre classifieur en régression logistique sur un jeu de données d'images. Chaque image représente un chiffre de 0 à 9. L'objectif est de classer chaque image comme un chiffre — par exemple, un 7 ou un 9. Les caractéristiques utilisées sont des valeurs de pixels précises allant de 0 à 16 qui composent l'image. Plutôt que d'évaluer l'exactitude à la main, vous évaluerez l'exactitude du modèle avec accuracy_score() de sklearn.

Des données d'images d'exemple sont chargées sous image_data, ainsi que sklearn et pandas sous pd. LogisticRegression est accessible via sklearn.linear_model.

Cette activité fait partie du cours

Prédire le CTR avec le Machine Learning en Python

Voir le cours

Instructions de l’exercice

  • Obtenez le nombre de lignes de X pour déterminer l'indice auquel séparer les données d'entraînement et de test.
  • Créez un classifieur de régression logistique.
  • Créez des prédictions avec le classifieur et évaluez l'exactitude à l'aide de accuracy_score() depuis sklearn.metrics.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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))
Modifier et exécuter le code