НачатьНачать бесплатно

Оценка отдельных классификаторов

В этом упражнении вы оцените качество моделей из списка classifiers, который был определён в предыдущем упражнении. Для этого вы обучите каждый классификатор на обучающей выборке и вычислите его точность на тестовой выборке.

Набор данных уже загружен и предобработан (числовые признаки стандартизированы), а также разделён на 70% обучающую и 30% тестовую выборки. Матрицы признаков X_train и X_test, а также массивы меток y_train и y_test доступны в вашем рабочем пространстве. Кроме того, загружены список classifiers из предыдущего упражнения и функция accuracy_score() из sklearn.metrics.

Это упражнение является частью курса

Машинное обучение на основе древовидных моделей в Python

Посмотреть курс

Инструкции к упражнению

  • Переберите кортежи из списка classifiers. Используйте clf_name и clf в качестве переменных цикла for:
    • Обучите clf на обучающей выборке.
    • Получите предсказания clf для тестовой выборки и сохраните результаты в y_pred.
    • Вычислите точность clf на тестовой выборке и выведите результат.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Iterate over the pre-defined list of classifiers
for clf_name, clf in ____:    
 
    # Fit clf to the training set
    ____.____(____, ____)    
   
    # Predict y_pred
    y_pred = ____.____(____)
    
    # Calculate accuracy
    accuracy = ____(____, ____) 
   
    # Evaluate clf's accuracy on the test set
    print('{:s} : {:.3f}'.format(clf_name, accuracy))
Редактировать и запускать код