Pierwszy model
W tym ćwiczeniu zbudujesz klasyfikator MLP na zbiorze danych z obrazami, którego używaliśmy w rozdziale 1. Przypominamy: każdy obraz przedstawia cyfrę od 0 do 9, a celem jest poprawna klasyfikacja każdego obrazu. Cechami użytymi w modelu są konkretne wartości pikseli z zakresu 0–16, które tworzą dany obraz. Po przeskalowaniu cech ocenisz dokładność klasyfikatora na zbiorze testowym.
W środowisku roboczym dostępny jest przykładowy zbiór danych obrazów w postaci DataFrame pod nazwą image_data, a także sklearn i pandas jako pd. Dostępna jest również klasa StandardScaler() z modułu sklearn.preprocessing.
To ćwiczenie jest częścią kursu
Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie
Instrukcje do ćwiczenia
- Przeskaluj cechy metodą
.fit_transform()i podziel dane na zbiór treningowy i testowy za pomocątrain_test_split(). - Utwórz klasyfikator MLP.
- Wygeneruj predykcje za pomocą klasyfikatora i oceń dokładność modelu przy użyciu
accuracy_score().
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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))