KNN com dados não escalonados

Antes de adicionar a padronização ao seu fluxo de trabalho com scikit-learn, você vai primeiro ver a acurácia de um modelo de K-nearest neighbors no conjunto de dados wine sem padronizar os dados.

O modelo knn, assim como os conjuntos de dados e rótulos X e y, já foram criados.

Este exercício faz parte do curso

Pré-processamento para Machine Learning em Python

Ver curso

Instruções do exercício

Divida o conjunto de dados em conjuntos de treino e teste.
Ajuste o modelo knn aos dados de treino.
Imprima a acurácia no conjunto de teste do seu modelo knn treinado.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Split the dataset and labels into training and test sets
X_train, X_test, y_train, y_test = ____(____, ____, stratify=y, random_state=42)

# Fit the k-nearest neighbors model to the training data
____

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

Editar e executar o código