시작하기무료로 시작하기

분류 모델 성능 시각화하기

이 실습 문제에서는 music_df 데이터세트의 "popularity" 열이 이진 값으로 변환된 분류 문제를 해결해 볼 것입니다. 여기서 1은 "popularity" 열의 중앙값 이상인 인기를 나타내고, 0는 중앙값 미만인 인기를 나타냅니다.

여러분의 임무는 노래가 인기 있는지 여부를 분류하는 세 가지 다른 모델을 구축하고 결과를 시각화하는 것입니다.

데이터는 분할되고 스케일링되어 X_train_scaled, X_test_scaled, y_train, y_test로 미리 로드되었습니다. 추가로, KNeighborsClassifier, DecisionTreeClassifier, LogisticRegression이 import 되어 있습니다.

이 연습은 강의의 일부입니다

scikit-learn으로 배우는 지도 학습

강의 보기

연습 안내

  • "Logistic Regression", "KNN", "Decision Tree Classifier"의 딕셔너리를 만들고, 딕셔너리의 값을 각 모델의 호출로 설정하세요.
  • models의 값들을 반복하세요.
  • 6 분할을 수행하도록 KFold 객체를 인스턴스화하고, shuffle을 True로, random_state를 12로 설정하세요.
  • 모델, 스케일링된 학습 특성, 타깃 학습 세트를 사용하고, cv를 kf와 같게 설정하여 교차 검증을 수행하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Create models dictionary
models = {"____": ____(), "____": ____(), "____": ____()}
results = []

# Loop through the models' values
for model in ____.____():
  
  # Instantiate a KFold object
  kf = ____(n_splits=____, random_state=____, shuffle=____)
  
  # Perform cross-validation
  cv_results = ____(____, ____, ____, cv=____)
  results.append(cv_results)
plt.boxplot(results, labels=models.keys())
plt.show()
코드 편집 및 실행