KNN na przeskalowanych danych

Dokładność modelu na nieprzeskalowanym zbiorze danych wine była całkiem niezła, ale sprawdź, co można osiągnąć dzięki standaryzacji. Podobnie jak wcześniej, model knn oraz dane X i y zostały już dla ciebie przygotowane.

To ćwiczenie jest częścią kursu

Preprocessing w uczeniu maszynowym w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Utwórz obiekt StandardScaler() i zapisz go w zmiennej o nazwie scaler.
Przeskaluj cechy treningowe i testowe, uważając, aby nie dopuścić do wycieku danych.
Dopasuj model knn do przeskalowanych danych treningowych.
Oceń skuteczność modelu, obliczając dokładność na zbiorze testowym.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=42)

# Instantiate a StandardScaler
scaler = ____

# Scale the training and test features
X_train_scaled = ____.____(____)
X_test_scaled = ____.____(____)

# Fit the k-nearest neighbors model to the training data
____.____(____, ____)

# Score the model on the test data
print(____.____(____, ____))

Edytuj i uruchom kod