CommencerCommencer gratuitement

Visualiser la complexité du modèle

Maintenant que vous avez calculé la précision du modèle KNN sur les ensembles d’apprentissage et de test en utilisant différentes valeurs de n_neighbors, vous pouvez créer une courbe de complexité du modèle pour visualiser l’évolution des performances à mesure que le modèle devient moins complexe.

Les variables neighbors, train_accuracies et test_accuracies, que vous avez générées dans l’exercice précédent, ont toutes été préchargées pour vous. Vous tracerez les résultats pour vous aider à trouver le nombre optimal de voisins pour votre modèle.

Cet exercice fait partie du cours

Apprentissage supervisé avec scikit-learn

Afficher le cours

Instructions

  • Ajoutez un titre "KNN: Varying Number of Neighbors".
  • Tracez la méthode .values() de train_accuracies sur l’axe des y par rapport à neighbors sur l’axe des x, avec l’étiquette "Training Accuracy".
  • Tracez la méthode .values() de test_accuracies sur l’axe des y par rapport à neighbors sur l’axe des x, avec l’étiquette "Testing Accuracy".
  • Affichez le graphique.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Add a title
plt.title("____")

# Plot training accuracies
plt.plot(____, ____, label="____")

# Plot test accuracies
plt.plot(____, ____, label="____")

plt.legend()
plt.xlabel("Number of Neighbors")
plt.ylabel("Accuracy")

# Display the plot
____
Modifier et exécuter le code