Первая модель
В этом упражнении вы построите MLP-классификатор на наборе данных с изображениями, который использовался в первой главе. Напомним: каждое изображение представляет одну из цифр от 0 до 9, и задача состоит в том, чтобы классифицировать каждое изображение как соответствующую цифру. В качестве признаков используются значения конкретных пикселей в диапазоне от 0 до 16, из которых складывается изображение. После масштабирования признаков вы оцените точность классификатора на тестовой выборке.
В рабочей среде загружены данные изображений в виде DataFrame под именем image_data, а также библиотеки sklearn и pandas как pd. StandardScaler() из sklearn.preprocessing также доступен.
Это упражнение является частью курса
Прогнозирование CTR с помощью машинного обучения на Python
Инструкции к упражнению
- Масштабируйте признаки с помощью
.fit_transform()и разделите данные на обучающую и тестовую выборки, используяtrain_test_split(). - Создайте MLP-классификатор.
- Получите предсказания с помощью классификатора и оцените точность, используя
accuracy_score().
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Define X and y
X, y = image_data.data, image_data.target
# Scale features and split into training and testing
X_scaled = ____().____(X)
X_train, X_test, y_train, y_test = ____(
X_scaled, y, test_size = .2, random_state = 0)
# Create classifier, train and evaluate accuracy
clf = ____()
y_pred = clf.____(X_train, y_train).____(X_test)
print(____(y_test, y_pred))