KNN op geschaalde data

De nauwkeurigheid op de ongeschaalde wine-gegevensset was prima, maar laten we kijken wat je kunt bereiken met standaardisatie. Ook nu zijn het knn-model en de X- en y-data en -labels al voor je klaargezet.

Deze oefening maakt deel uit van de cursus

Preprocessing voor Machine Learning in Python

Cursus bekijken

Oefeninstructies

Maak de methode StandardScaler(), opgeslagen in een variabele met de naam scaler.
Schaal de trainings- en testfeatures, en let erop dat je geen data leakage introduceert.
Fit het knn-model op de geschaalde trainingsdata.
Beoordeel de prestatie van het model door de nauwkeurigheid op de testset te berekenen.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=42)

# Instantiate a StandardScaler
scaler = ____

# Scale the training and test features
X_train_scaled = ____.____(____)
X_test_scaled = ____.____(____)

# Fit the k-nearest neighbors model to the training data
____.____(____, ____)

# Score the model on the test data
print(____.____(____, ____))

Code bewerken en uitvoeren