Вторая учебная модель
В этом упражнении вы построите ещё один классификатор — на основе логистической регрессии — и применяете его к набору данных изображений. Каждое изображение представляет одну из цифр от 0 до 9. Задача классификатора — определить, какую цифру изображает каждый образец: например, 7 или 9. В качестве признаков используются значения конкретных пикселей в диапазоне от 0 до 16, из которых составлено изображение. Вместо того чтобы вручную оценивать точность, вы воспользуетесь функцией accuracy_score() из sklearn.
Данные изображений загружены в переменную image_data. Также доступны библиотеки sklearn и pandas (под именем pd). Класс LogisticRegression импортирован из sklearn.linear_model.
Это упражнение является частью курса
Прогнозирование CTR с помощью машинного обучения на Python
Инструкции к упражнению
- Получите количество строк в
X, чтобы определить индекс, по которому нужно разделить данные на обучающую и тестовую выборки. - Создайте классификатор на основе логистической регрессии.
- Получите предсказания с помощью классификатора и оцените точность модели, используя
accuracy_score()изsklearn.metrics.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Define X and y
X = image_data.data
y = image_data.target
# Define training and testing
split = int(0.7 * ____(X))
X_train, X_test, y_train, y_test = \
X[:split], X[split:], y[:split], y[split:]
# Create logistic regression classifier
clf = ____()
# Train classifier - predict label and evaluate accuracy
y_pred = clf.fit(X_train, y_train).____(X_test)
print(____(y_test, y_pred))