Startmodel
In deze oefening bouw je een MLP-classifier op de gegevensset met afbeeldingen uit hoofdstuk 1. Ter herinnering: elke afbeelding stelt een cijfer voor van 0 tot en met 9 en het doel is om elke afbeelding als een cijfer te classificeren. De features zijn specifieke pixelwaarden van 0–16 waaruit de afbeelding is opgebouwd. Na het schalen van de features evalueer je de nauwkeurigheid van de classifier op de testset.
In je werkruimte is voorbeeldafbeeldingsdata in DataFrame-vorm geladen als image_data, samen met sklearn en pandas als pd. StandardScaler() uit sklearn.preprocessing is ook beschikbaar.
Deze oefening maakt deel uit van de cursus
CTR voorspellen met Machine Learning in Python
Oefeninstructies
- Standaardiseer de features met
.fit_transform()en splits de data in trainings- en testsets mettrain_test_split(). - Maak een MLP-classifier.
- Maak voorspellingen met de classifier en evalueer de nauwkeurigheid met
accuracy_score().
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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))