KNN sur des données mises à l'échelle

Le score de justesse sur l'ensemble de données wine non mis à l'échelle était correct, mais voyons ce que vous pouvez obtenir avec la standardisation. Encore une fois, le modèle knn ainsi que les ensembles de données et d'étiquettes X et y ont déjà été créés pour vous.

Cette activité fait partie du cours

Prétraitement pour le Machine Learning en Python

Voir le cours

Instructions de l’exercice

Créez la méthode StandardScaler(), stockée dans une variable nommée scaler.
Mettez à l'échelle les caractéristiques d'entraînement et de test, en veillant à ne pas introduire de fuite de données.
Entraînez le modèle knn sur les données d'entraînement mises à l'échelle.
Évaluez la performance du modèle en calculant la justesse sur l'ensemble de test.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=42)

# Instantiate a StandardScaler
scaler = ____

# Scale the training and test features
X_train_scaled = ____.____(____)
X_test_scaled = ____.____(____)

# Fit the k-nearest neighbors model to the training data
____.____(____, ____)

# Score the model on the test data
print(____.____(____, ____))

Modifier et exécuter le code