1. Nauka
    2. /
  2. Kursy
    3. /
  3. Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie
Connected

ćwiczenie

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.

Instrukcje

100 XP
  • 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 modułu sklearn.metrics.