ÎncepețiÎncepe gratuit

Supraadaptare și subadaptare

Interpretarea complexității modelului este o metodă excelentă de evaluare a performanței în învățarea supervizată. Scopul tău este să obții un model care să surprindă relația dintre caracteristici și variabila țintă, dar care să și generalizeze bine atunci când întâlnește observații noi.

Seturile de antrenament și de testare au fost create din setul de date churn_df și sunt preîncărcate ca X_train, X_test, y_train și y_test.

De asemenea, KNeighborsClassifier a fost importat pentru tine, împreună cu numpy ca np.

Acest exercițiu face parte din cursul

Învățare supravegheată cu scikit-learn

Vezi cursul

Instrucțiuni pentru exercițiu

  • Creează neighbors ca un array numpy cu valori de la 1 până la 12 inclusiv.
  • Instanțiază un KNeighborsClassifier, cu numărul de vecini egal cu iteratorul neighbor.
  • Antrenează modelul pe datele de antrenament.
  • Calculează scorurile de acuratețe pentru setul de antrenament și pentru setul de testare separat, folosind metoda .score(), și atribuie rezultatele dicționarelor train_accuracies și, respectiv, test_accuracies, utilizând iteratorul neighbor ca index.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Create neighbors
neighbors = np.arange(____, ____)
train_accuracies = {}
test_accuracies = {}

for neighbor in neighbors:
  
	# Set up a KNN Classifier
	knn = ____(____=____)
  
	# Fit the model
	knn.____(____, ____)
  
	# Compute accuracy
	train_accuracies[____] = knn.____(____, ____)
	test_accuracies[____] = knn.____(____, ____)
print(neighbors, '\n', train_accuracies, '\n', test_accuracies)
Editează și rulează codul