Метод k ближайших соседей для грибов
Гауссовский наивный байесовский классификатор показал отличный результат в качестве начальной модели. Теперь построим новую модель и сравним её с наивным байесовским классификатором.
На этот раз воспользуемся классификатором 5 ближайших соседей. Поскольку фиктивные признаки создают многомерный набор данных, применим алгоритм Ball Tree, чтобы ускорить работу модели. Посмотрим, как она справится!
Это упражнение является частью курса
Ансамблевые методы в Python
Инструкции к упражнению
- Создайте
KNeighborsClassifierс5соседями и параметромalgorithm = 'ball_tree'(для ускорения вычислений). - Обучите модель на обучающих данных.
- Оцените качество модели на тестовой выборке с помощью метрики accuracy.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Instantiate a 5-nearest neighbors classifier with 'ball_tree' algorithm
clf_knn = ____(____, ____)
# Fit the model to the training set
____
# Calculate the predictions on the test set
pred = ____
# Evaluate the performance using the accuracy score
print("Accuracy: {:0.4f}".format(accuracy_score(y_test, pred)))