KNN em dados não escalonados
Antes de adicionar a padronização ao seu fluxo de trabalho do scikit-learn, primeiro você verá a precisão de um modelo K-nearest neighbors no conjunto de dados wine sem padronizar os dados.
O modelo knn, bem como os conjuntos de dados e rótulos X e y já foram criados.
Este exercício faz parte do curso
Pré-processamento para aprendizado de máquina em Python
Instruções de exercício
- Divida o conjunto de dados em conjuntos de treinamento e de teste.
- Ajuste o modelo
knnaos dados de treinamento. - Imprima a precisão do conjunto de testes do modelo
knnque você treinou.
Exercício interativo prático
Experimente este exercício preenchendo 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(____.____(____, ____))