MulaiMulai sekarang secara gratis

Hyperparameter KNN

Untuk menerapkan konsep yang dipelajari pada latihan sebelumnya, praktik yang baik adalah mencoba penerapan pada algoritme baru. Algoritme k-nearest neighbors tidak sepopuler dulu, tetapi masih bisa menjadi pilihan yang sangat baik untuk data yang memiliki kelompok-kelompok dengan perilaku serupa. Apakah ini berlaku pada pengguna kartu kredit kita?

Pada latihan ini Anda akan mencoba beberapa nilai berbeda untuk salah satu hyperparameter inti pada algoritme KNN dan membandingkan kinerjanya.

Anda akan memiliki:

  • DataFrame X_train, X_test, y_train, y_test

Latihan ini adalah bagian dari kursus

Penyetelan Hyperparameter di Python

Lihat Kursus

Petunjuk latihan

  • Bangun estimator KNN untuk nilai n_neighbors berikut [5,10,20].
  • Latih masing-masing pada data pelatihan dan hasilkan prediksi.
  • Dapatkan skor akurasi untuk setiap model dan cetak hasilnya.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Build a knn estimator for each value of n_neighbours
knn_5 = KNeighborsClassifier(n_neighbors=____)
knn_10 = KNeighborsClassifier(n_neighbors=____)
knn_20 = KNeighborsClassifier(n_neighbors=____)

# Fit each to the training data & produce predictions
knn_5_predictions = knn_5.fit(_____, _____).predict(_____)
knn_10_predictions = knn_10.fit(_____, _____).predict(_____)
knn_20_predictions = knn_20.fit(_____, _____).predict(_____)

# Get an accuracy score for each of the models
knn_5_accuracy = accuracy_score(y_test, _____)
knn_10_accuracy = accuracy_score(y_test, _____)
knn_20_accuracy = accuracy_score(y_test, _____)
print("The accuracy of 5, 10, 20 neighbours was {}, {}, {}".format(_____, _____, _____))
Edit dan Jalankan Kode