Prevendo a comestibilidade de cogumelos

Agora que você explorou os dados, é hora de construir um primeiro modelo para prever a comestibilidade dos cogumelos.

O conjunto de dados está disponível como mushrooms. Como tanto as features quanto o alvo são categóricos, eles foram transformados em variáveis binárias “dummy” para você.

Vamos começar com Naive Bayes (usando o GaussianNB do scikit-learn) e ver como esse algoritmo se sai nesse problema.

Este exercício faz parte do curso

Métodos de Ensemble em Python

Ver curso

Instruções do exercício

Instancie um classificador GaussianNB chamado clf_nb.
Ajuste clf_nb aos dados de treino X_train e y_train.
Calcule as previsões no conjunto de teste. Essas previsões serão usadas para avaliar o desempenho usando a acurácia.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Instantiate a Naive Bayes classifier
clf_nb = ____

# Fit the model to the training set
____

# Calculate the predictions on the test set
pred = ____

# Evaluate the performance using the accuracy score
print("Accuracy: {:0.4f}".format(accuracy_score(y_test, pred)))

Editar e executar o código