Изменение размера обучающей выборки
Размер обучающей и тестовой выборок влияет на качество модели. Чем больше данных используется для обучения, тем лучше модель усваивает закономерности. Однако существует риск переобучения: модель может слишком хорошо подстроиться под обучающие данные и плохо справляться с новыми. Поэтому для корректной оценки способности модели к обобщению необходимо достаточное количество тестовых данных. Таким образом, важно найти правильный баланс между объёмом данных для обучения и объёмом данных для тестирования.
До сих пор вы использовали 70% данных для обучения и 30% для тестирования. Теперь попробуйте взять 80% данных для обучения и посмотрите, как это повлияет на качество модели.
Это упражнение является частью курса
Маркетинговая аналитика: прогнозирование оттока клиентов на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Import train_test_split
from sklearn.model_selection import train_test_split
# Create feature variable
X = telco.drop('Churn', axis=1)
# Create target variable
y = telco['Churn']
# Create training and testing sets
X_train, X_test, y_train, y_test = ____