Drugi model testowy
W tym ćwiczeniu zbudujesz kolejny klasyfikator – tym razem z użyciem regresji logistycznej – na zbiorze danych zawierającym obrazy cyfr od 0 do 9. Celem jest sklasyfikowanie każdego obrazu jako odpowiedniej cyfry, na przykład 7 lub 9. Cechami wejściowymi są konkretne wartości pikseli z zakresu 0–16, które tworzą dany obraz. Zamiast ręcznie oceniać trafność modelu, skorzystasz z funkcji accuracy_score() z biblioteki sklearn.
Dane obrazów są wczytane jako image_data. Dostępne są też biblioteki sklearn oraz pandas jako pd. Klasa LogisticRegression jest dostępna przez sklearn.linear_model.
To ćwiczenie jest częścią kursu
Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie
Instrukcje do ćwiczenia
- Pobierz liczbę wierszy
X, aby określić indeks podziału na dane treningowe i testowe. - Utwórz klasyfikator regresji logistycznej.
- Wygeneruj predykcje za pomocą klasyfikatora i oceń jego dokładność, używając funkcji
accuracy_score()z modułusklearn.metrics.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Define X and y
X = image_data.data
y = image_data.target
# Define training and testing
split = int(0.7 * ____(X))
X_train, X_test, y_train, y_test = \
X[:split], X[split:], y[:split], y[split:]
# Create logistic regression classifier
clf = ____()
# Train classifier - predict label and evaluate accuracy
y_pred = clf.fit(X_train, y_train).____(X_test)
print(____(y_test, y_pred))