KNN com dados escalados

A acurácia no conjunto wine sem escalonamento foi razoável, mas vamos ver o que você consegue usando padronização. Mais uma vez, o modelo knn, assim como os dados e rótulos X e y, já foram criados para você.

Este exercício faz parte do curso

Pré-processamento para Machine Learning em Python

Ver curso

Instruções do exercício

Crie o método StandardScaler(), guardando-o em uma variável chamada scaler.
Escale as variáveis de treino e de teste, tomando cuidado para não introduzir data leakage.
Ajuste o modelo knn aos dados de treino escalados.
Avalie o desempenho do modelo calculando a acurácia no conjunto de teste.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=42)

# Instantiate a StandardScaler
scaler = ____

# Scale the training and test features
X_train_scaled = ____.____(____)
X_test_scaled = ____.____(____)

# Fit the k-nearest neighbors model to the training data
____.____(____, ____)

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

Editar e executar o código