KNN на стандартизированных данных

Точность на нестандартизированном наборе данных wine была неплохой, но посмотрим, чего можно добиться с помощью стандартизации. Модель knn, а также данные X, y и метки классов уже созданы для вас.

Это упражнение является частью курса

Предобработка данных для машинного обучения на Python

Посмотреть курс

Инструкции к упражнению

Создайте объект StandardScaler() и сохраните его в переменную scaler.
Масштабируйте обучающие и тестовые признаки, избегая утечки данных.
Обучите модель knn на масштабированных обучающих данных.
Оцените качество модели, вычислив точность на тестовой выборке.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=42)

# Instantiate a StandardScaler
scaler = ____

# Scale the training and test features
X_train_scaled = ____.____(____)
X_test_scaled = ____.____(____)

# Fit the k-nearest neighbors model to the training data
____.____(____, ____)

# Score the model on the test data
print(____.____(____, ____))

Редактировать и запускать код