Train/test-verdelingen

In een Machine Learning-sollicitatie werk je vrijwel altijd met trainingsdata en testdata. Zoals eerder besproken kan een slecht presterend model het gevolg zijn als de verdelingen van de trainings- en testgegevens verschillen.

In deze oefening gebruik je functies uit sklearn.model_selection en daarnaast seaborn en matplotlib.pyplot om loan_data op te splitsen in een trainingsset en een testset, en om hun verdelingen te visualiseren zodat je eventuele verschillen kunt opsporen.

Let op: seaborn en matplotlib.pyplot zijn al in je werkruimte geïmporteerd en respectievelijk als sns en plt aliased.

De pijplijn bevat nu Train/Test split:

Machine learning pipeline

Deze oefening maakt deel uit van de cursus

Machine Learning-sollicitatievragen oefenen in Python

Cursus bekijken

Oefeninstructies

Maak een subset van loan_data met alleen de features Credit Score en Annual Income, en de targetvariabele Loan Status — in die volgorde.
Maak een 80/20-split van loan_data en ken die toe aan loan_data_subset.
Maak pairplots van trainingSet en testSet (in die volgorde) en zet het hue-argument op de targetvariabele Loan Status.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Create `loan_data` subset: loan_data_subset
loan_data_subset = ____[['____','____','____']]

# Create train and test sets
trainingSet, testSet = ____(____, ____=___, random_state=123)

# Examine pairplots
plt.figure()
sns.____(____, hue='____', palette='RdBu')
plt.show()

plt.figure()
sns.____(____, hue='____', palette='RdBu')
plt.show()

Code bewerken en uitvoeren