Przewidywanie jadalności grzybów

Teraz, gdy zapoznałeś się z danymi, czas zbudować pierwszy model do przewidywania jadalności grzybów.

Zbiór danych jest dostępny jako mushrooms. Ponieważ zarówno cechy, jak i zmienna docelowa mają charakter kategoryczny, zostały one za ciebie przekształcone w binarne zmienne „dummy".

Zacznijmy od Naive Bayes (z użyciem GaussianNB z biblioteki scikit-learn) i sprawdźmy, jak ten algorytm poradzi sobie z tym problemem.

To ćwiczenie jest częścią kursu

Metody zespołowe w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Utwórz instancję klasyfikatora GaussianNB o nazwie clf_nb.
Dopasuj clf_nb do danych treningowych X_train i y_train.
Oblicz predykcje na zbiorze testowym. Zostaną one wykorzystane do oceny skuteczności modelu za pomocą miary dokładności (accuracy score).

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Instantiate a Naive Bayes classifier
clf_nb = ____

# Fit the model to the training set
____

# Calculate the predictions on the test set
pred = ____

# Evaluate the performance using the accuracy score
print("Accuracy: {:0.4f}".format(accuracy_score(y_test, pred)))

Edytuj i uruchom kod