Modello iniziale
In questo esercizio costruirai un classificatore MLP sul dataset di immagini usato nel capitolo 1. Come promemoria, ogni immagine rappresenta un numero da 0 a 9 e l'obiettivo è classificare ciascuna immagine come un numero. Le caratteristiche usate sono specifici valori di pixel compresi tra 0 e 16 che compongono l'immagine. Dopo aver scalato le caratteristiche, valuterai l'accuratezza del classificatore sul set di test.
Nel tuo workspace, i dati di esempio delle immagini in formato DataFrame sono caricati come image_data, insieme a sklearn e pandas come pd. StandardScaler() da sklearn.preprocessing è disponibile anch'esso.
Questo esercizio fa parte del corso
Prevedere il CTR con il Machine Learning in Python
Istruzioni dell'esercizio
- Applica lo standard scaling alle caratteristiche usando
.fit_transform()e dividi i dati in set di training e di test usandotrain_test_split(). - Crea un classificatore MLP.
- Genera le previsioni usando il classificatore e valuta l'accuratezza con
accuracy_score().
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Define X and y
X, y = image_data.data, image_data.target
# Scale features and split into training and testing
X_scaled = ____().____(X)
X_train, X_test, y_train, y_test = ____(
X_scaled, y, test_size = .2, random_state = 0)
# Create classifier, train and evaluate accuracy
clf = ____()
y_pred = clf.____(X_train, y_train).____(X_test)
print(____(y_test, y_pred))