Modelcomplexiteit visualiseren
Nu je de nauwkeurigheid van het KNN-model op de trainings- en testsets hebt berekend met verschillende waarden van n_neighbors, kun je een modelcomplexiteitscurve maken om te visualiseren hoe de prestaties veranderen naarmate het model minder complex wordt!
De variabelen neighbors, train_accuracies en test_accuracies, die je in de vorige oefening hebt gegenereerd, zijn alvast voor je ingeladen. Je gaat de resultaten plotten om te helpen het optimale aantal neighbors voor je model te vinden.
Deze oefening maakt deel uit van de cursus
Supervised Learning met scikit-learn
Oefeninstructies
- Voeg de titel
"KNN: Varying Number of Neighbors"toe. - Plot de
.values()-methode vantrain_accuraciesop de y-as tegenneighborsop de x-as, met het label"Training Accuracy". - Plot de
.values()-methode vantest_accuraciesop de y-as tegenneighborsop de x-as, met het label"Testing Accuracy". - Toon de plot.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Add a title
plt.title("____")
# Plot training accuracies
plt.plot(____, ____, label="____")
# Plot test accuracies
plt.plot(____, ____, label="____")
plt.legend()
plt.xlabel("Number of Neighbors")
plt.ylabel("Accuracy")
# Display the plot
____