Training set का आकार बदलना
आपके training और testing सेट का आकार मॉडल के प्रदर्शन को प्रभावित करता है. अधिक training डेटा मिलने पर मॉडल आमतौर पर बेहतर सीखते हैं. लेकिन जोखिम यह है कि वे training डेटा पर overfit हो सकते हैं और नए डेटा पर अच्छी तरह generalize न करें. इसलिए मॉडल की generalize करने की क्षमता का सही मूल्यांकन करने के लिए पर्याप्त testing डेटा होना जरूरी है. नतीजतन, training के लिए कितना उपयोग करें और testing के लिए कितना रोकें — इनके बीच एक महत्वपूर्ण संतुलन और trade-off शामिल होता है.
अभी तक, आपने 70% training और 30% testing के लिए उपयोग किया है. अब 80% डेटा training के लिए उपयोग करें और देखें कि इससे मॉडल के प्रदर्शन में क्या बदलाव आता है.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Marketing Analytics: Python में Customer Churn की भविष्यवाणी
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Import train_test_split
from sklearn.model_selection import train_test_split
# Create feature variable
X = telco.drop('Churn', axis=1)
# Create target variable
y = telco['Churn']
# Create training and testing sets
X_train, X_test, y_train, y_test = ____