Modelo inicial
Neste exercício, você vai construir um classificador MLP no conjunto de dados de imagens usado no capítulo 1. Relembrando: cada imagem representa um número de 0 a 9, e o objetivo é classificar cada imagem como um desses números. As features usadas são valores específicos de pixels, variando de 0 a 16, que compõem a imagem. Depois de padronizar as features, você vai avaliar a acurácia do classificador no conjunto de teste.
No seu workspace, os dados de imagem de exemplo em formato DataFrame estão carregados como image_data, juntamente com sklearn e pandas como pd. StandardScaler() de sklearn.preprocessing também está disponível.
Este exercício faz parte do curso
Prevendo CTR com Machine Learning em Python
Instruções do exercício
- Padronize as features usando
.fit_transform()e divida os dados em conjuntos de treino e teste usandotrain_test_split(). - Crie um classificador MLP.
- Gere previsões usando o classificador e avalie a acurácia com
accuracy_score().
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Define X and y
X, y = image_data.data, image_data.target
# Scale features and split into training and testing
X_scaled = ____().____(X)
X_train, X_test, y_train, y_test = ____(
X_scaled, y, test_size = .2, random_state = 0)
# Create classifier, train and evaluate accuracy
clf = ____()
y_pred = clf.____(X_train, y_train).____(X_test)
print(____(y_test, y_pred))