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 d’exercice

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

Exercice interactif pratique

Essayez-vous à 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 du code

Cet exercice fait partie du cours

Apprentissage supervisé avec scikit-learn

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Dans ce chapitre, vous découvrirez les problèmes de classification et apprendrez à les résoudre à l'aide de techniques d'apprentissage supervisé. Vous apprendrez à diviser les données en ensembles d'apprentissage et de test, à adapter un modèle, à faire des prédictions et à évaluer la précision. Vous découvrirez la relation entre la complexité du modèle et la performance, en appliquant ce que vous avez appris à un ensemble de données sur le taux de perte de clients, où vous classerez l'état de désabonnement des clients d'une entreprise de télécommunications.

Exercise 1: Machine learning avec scikit-learn Exercise 2: Classification binaire Exercise 3: Le processus d'apprentissage supervisé Exercise 4: Le défi de la classification Exercise 5: Voisins les plus proches (k-Nearest Neighbors) : Ajuster Exercise 6: Voisins les plus proches (k-Nearest Neighbors) : Prévoir Exercise 7: Mesurer la performance du modèle Exercise 8: Séparation formation/test + calcul de la précision Exercise 9: Surajustement et sous-ajustement Exercise 10: Visualiser la complexité du modèle

Exercice en cours

Dans ce chapitre, vous découvrirez la régression et vous construirez des modèles pour prédire les valeurs des ventes à l'aide d'un ensemble de données sur les dépenses publicitaires. Vous apprendrez les mécanismes de la régression linéaire et les mesures de performance courantes telles que le R au carré et l'erreur quadratique moyenne. Vous effectuerez une validation croisée k-fold et appliquerez une régularisation aux modèles de régression afin de réduire le risque de surapprentissage.

Exercise 1: Introduction à la régression Exercise 2: Création de fonctionnalités Exercise 3: Construire un modèle de régression linéaire Exercise 4: Visualisation d'un modèle de régression linéaire Exercise 5: Les bases de la régression linéaire Exercise 6: Ajustement et prédiction de la régression Exercise 7: Performance de la régression Exercise 8: Validation croisée Exercise 9: Validation croisée pour le R-carré Exercise 10: Analyse des paramètres de validation croisée Exercise 11: Régression régularisée Exercise 12: Régression régularisée : Crête Exercise 13: Régression Lasso pour l'importance des caractéristiques

Après avoir entraîné des modèles, vous allez maintenant apprendre à les évaluer. Dans ce chapitre, vous découvrirez plusieurs métriques ainsi qu'une technique de visualisation permettant d'analyser les performances des modèles de classification utilisant scikit-learn. Vous apprendrez également à optimiser les modèles de classification et de régression grâce à l'ajustement des hyperparamètres.

Exercise 1: Quelle est la qualité de votre modèle ?Exercise 2: Décider d'une mesure primaire Exercise 3: Évaluation d'un classificateur des prédiction du diabète Exercise 4: Régression logistique et courbe ROC Exercise 5: Construire un modèle de régression logistique Exercise 6: La courbe ROC Exercise 7: ROC AUC Exercise 8: Réglage des hyperparamètres Exercise 9: Réglage des hyperparamètres avec GridSearchCV Exercise 10: Réglage des hyperparamètres avec RandomizedSearch (recherche aléatoire)CV

Apprenez à imputer les valeurs manquantes, à convertir les données catégorielles en valeurs numériques, à mettre à l'échelle les données, à évaluer simultanément plusieurs modèles d'apprentissage supervisé et à créer des pipelines pour rationaliser votre flux de travail.

Exercise 1: Prétraitement des données Exercise 2: Création de variables nominales Exercise 3: Régression avec caractéristiques catégorielles Exercise 4: Traitement des données manquantes Exercise 5: Suppression des données manquantes Exercise 6: Pipeline pour la prédiction du genre des chansons : I Exercise 7: Pipeline pour la prédiction du genre des chansons : II Exercise 8: Centrage et mise à l'échelle Exercise 9: Centrage et mise à l'échelle pour la régression Exercise 10: Centrage et mise à l'échelle pour la classification Exercise 11: Évaluation de plusieurs modèles Exercise 12: Visualisation de la performance des modèles de régression Exercise 13: Prédiction sur l'ensemble de test Exercise 14: Visualisation des performances des modèles de classification Exercise 15: Pipeline pour prédire la popularité des chansons Exercise 16: Félicitations