KNN em dados escalonados

A pontuação de precisão no conjunto de dados wine sem escala foi decente, mas vamos ver o que você pode conseguir usando a padronização. Mais uma vez, o modelo knn, bem como o conjunto de dados e rótulos X e y já foram criados para você.

Este exercício faz parte do curso

Pré-processamento para aprendizado de máquina em Python

Ver Curso

Instruções de exercício

Crie o método StandardScaler(), armazenado em uma variável chamada scaler.
Dimensione os recursos de treinamento e teste, tomando cuidado para não introduzir vazamento de dados.
Ajuste o modelo knn aos dados de treinamento em escala.
Avalie o desempenho do modelo calculando a precisão do conjunto de testes.

Exercício interativo prático

Experimente este exercício preenchendo 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 código