Ajustando e testando o modelo

No exercício anterior, você dividiu o conjunto de dados em X_train, X_test, y_train e y_test. Esses conjuntos já foram pré-carregados para você. Agora você vai criar um classificador de máquina de vetores de suporte (SVC()) e ajustá-lo aos dados de treino. Em seguida, vai calcular a acurácia tanto no conjunto de teste quanto no de treino para detectar overfitting.

Este exercício faz parte do curso

Redução de Dimensionalidade em Python

Ver curso

Instruções do exercício

Importe SVC de sklearn.svm e accuracy_score de sklearn.metrics
Crie uma instância da classe Support Vector Classification (SVC()).
Ajuste o modelo aos dados de treino.
Calcule as pontuações de acurácia nos dados de treino e de teste.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Import SVC from sklearn.svm and accuracy_score from sklearn.metrics
from ____ import ____
from ____ import ____

# Create an instance of the Support Vector Classification class
svc = ____

# Fit the model to the training data
svc.fit(____, ____)

# Calculate accuracy scores on both train and test data
accuracy_train = accuracy_score(____, svc.predict(____))
accuracy_test = accuracy_score(____, svc.predict(____))

print(f"{accuracy_test:.1%} accuracy on test set vs. {accuracy_train:.1%} on training set")

Editar e executar o código