CommencezCommencez gratuitement

Visualiser la performance de modèles de classification

Dans cet exercice, vous allez résoudre un problème de classification où la colonne "popularity" du jeu de données music_df a été convertie en valeurs binaires : 1 représente une popularité supérieure ou égale à la médiane de la colonne "popularity", et 0 indique une popularité inférieure à la médiane.

Votre tâche est de construire trois modèles différents et de visualiser leurs résultats pour déterminer si une chanson est populaire ou non.

Les données ont été séparées, normalisées et préchargées pour vous sous les noms X_train_scaled, X_test_scaled, y_train et y_test. De plus, KNeighborsClassifier, DecisionTreeClassifier et LogisticRegression ont été importés.

Cette activité fait partie du cours

Apprentissage supervisé avec scikit-learn

Voir le cours

Instructions de l’exercice

  • Créez un dictionnaire de "Logistic Regression", "KNN" et "Decision Tree Classifier", en affectant à chaque clé l'appel au modèle correspondant.
  • Parcourez les valeurs dans models.
  • Instanciez un objet KFold pour effectuer 6 divisions, avec shuffle à True et random_state à 12.
  • Effectuez la validation croisée en utilisant le modèle, les caractéristiques d'entraînement mises à l'échelle, la cible d'entraînement, et en définissant cv égal à kf.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Create models dictionary
models = {"____": ____(), "____": ____(), "____": ____()}
results = []

# Loop through the models' values
for model in ____.____():
  
  # Instantiate a KFold object
  kf = ____(n_splits=____, random_state=____, shuffle=____)
  
  # Perform cross-validation
  cv_results = ____(____, ____, ____, cv=____)
  results.append(cv_results)
plt.boxplot(results, labels=models.keys())
plt.show()
Modifier et exécuter le code