शुरू करेंमुफ़्त में शुरू करें

k-Nearest Neighbors: Fit

इस अभ्यास में, आप churn_df डेटासेट का उपयोग करके अपना पहला classification मॉडल बनाएँगे, जिसे इस अध्याय के शेष भाग के लिए पहले से प्रीलोड किया गया है.

टार्गेट "churn" एक सिंगल कॉलम होना चाहिए, जिसमें फीचर डेटा जितनी ही observations हों. फीचर डेटा पहले ही numpy arrays में परिवर्तित किया जा चुका है.

"account_length" और "customer_service_calls" को फीचर्स माना गया है, क्योंकि account length ग्राहक की वफ़ादारी दर्शाता है, और बार-बार customer service calls करना असंतोष का संकेत हो सकता है. दोनों ही churn के अच्छे predictors साबित हो सकते हैं.

यह अभ्यास पाठ्यक्रम का हिस्सा है

scikit-learn के साथ Supervised Learning

पाठ्यक्रम देखें

अभ्यास निर्देश

  • sklearn.neighbors से KNeighborsClassifier इम्पोर्ट करें.
  • 6 neighbors के साथ knn नाम का एक KNeighborsClassifier instantiate करें.
  • .fit() मेथड का उपयोग करके क्लासिफायर को डेटा पर fit करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Import KNeighborsClassifier
from ____.____ import ____ 

y = churn_df["churn"].values
X = churn_df[["account_length", "customer_service_calls"]].values

# Create a KNN classifier with 6 neighbors
knn = ____(____=____)

# Fit the classifier to the data
knn.____(____, ____)
कोड संपादित करें और चलाएँ