Un secondo modello di prova
In questo esercizio costruirai un altro classificatore usando la regressione logistica su un insieme di immagini. Ogni immagine rappresenta un numero da 0 a 9. L'obiettivo è classificare ogni immagine come un numero — per esempio, un 7 o un 9. Le feature usate sono specifici valori di pixel compresi tra 0 e 16 che compongono l'immagine. Invece di valutare l'accuratezza a mano, valuterai l'accuratezza del modello usando accuracy_score() di sklearn.
Dati di esempio delle immagini sono caricati come image_data insieme a sklearn e pandas come pd. LogisticRegression è disponibile tramite sklearn.linear_model.
Questo esercizio fa parte del corso
Prevedere il CTR con il Machine Learning in Python
Istruzioni dell'esercizio
- Ottieni il numero di righe di
Xper determinare l'indice a cui suddividere i dati di training e di test. - Crea un classificatore di regressione logistica.
- Crea le predizioni usando il classificatore e valuta l'accuratezza con
accuracy_score()dasklearn.metrics.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Define X and y
X = image_data.data
y = image_data.target
# Define training and testing
split = int(0.7 * ____(X))
X_train, X_test, y_train, y_test = \
X[:split], X[split:], y[:split], y[split:]
# Create logistic regression classifier
clf = ____()
# Train classifier - predict label and evaluate accuracy
y_pred = clf.fit(X_train, y_train).____(X_test)
print(____(y_test, y_pred))