Zacznij terazZacznij za darmo

k-Nearest Neighbors: dopasowanie modelu

W tym ćwiczeniu zbudujesz swój pierwszy model klasyfikacji, korzystając ze zbioru danych churn_df, który będzie dostępny przez resztę rozdziału.

Zmienna docelowa "churn" musi być pojedynczą kolumną z taką samą liczbą obserwacji jak dane cech. Dane cech zostały już przekonwertowane na tablice numpy.

"account_length" i "customer_service_calls" pełnią rolę cech, ponieważ długość konta świadczy o lojalności klienta, a częste kontakty z obsługą mogą wskazywać na niezadowolenie – oba czynniki mogą być dobrymi predyktorami rezygnacji z usług.

To ćwiczenie jest częścią kursu

Nadzorowane uczenie maszynowe z scikit-learn

Zobacz kurs

Instrukcje do ćwiczenia

  • Zaimportuj KNeighborsClassifier z sklearn.neighbors.
  • Utwórz instancję KNeighborsClassifier o nazwie knn z 6 sąsiadami.
  • Dopasuj klasyfikator do danych, używając metody .fit().

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Import KNeighborsClassifier
from ____.____ import ____ 

y = churn_df["churn"].values
X = churn_df[["account_length", "customer_service_calls"]].values

# Create a KNN classifier with 6 neighbors
knn = ____(____=____)

# Fit the classifier to the data
knn.____(____, ____)
Edytuj i uruchom kod