НачатьНачать бесплатно

k-ближайших соседей: обучение модели

В этом упражнении вы построите свою первую модель классификации, используя набор данных churn_df, который будет доступен на протяжении всей главы.

Целевая переменная "churn" должна быть представлена одним столбцом с тем же количеством наблюдений, что и признаковые данные. Признаковые данные уже преобразованы в массивы numpy.

"account_length" и "customer_service_calls" используются в качестве признаков, поскольку длина аккаунта отражает лояльность клиента, а частые обращения в службу поддержки могут свидетельствовать о неудовлетворённости — оба показателя являются хорошими предикторами оттока.

Это упражнение является частью курса

Обучение с учителем с помощью scikit-learn

Посмотреть курс

Инструкции к упражнению

  • Импортируйте KNeighborsClassifier из sklearn.neighbors.
  • Создайте экземпляр KNeighborsClassifier с именем knn, указав 6 соседей.
  • Обучите классификатор на данных с помощью метода .fit().

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Import KNeighborsClassifier
from ____.____ import ____ 

y = churn_df["churn"].values
X = churn_df[["account_length", "customer_service_calls"]].values

# Create a KNN classifier with 6 neighbors
knn = ____(____=____)

# Fit the classifier to the data
knn.____(____, ____)
Редактировать и запускать код