НачатьНачать бесплатно

Визуализация результатов моделей классификации

В этом упражнении вы будете решать задачу классификации. Столбец "popularity" в наборе данных music_df преобразован в бинарные значения: 1 означает, что популярность песни не ниже медианного значения по столбцу "popularity", а 0 — что она ниже медианы.

Ваша задача — построить и визуализировать результаты трёх разных моделей для классификации: популярна песня или нет.

Данные уже разделены, масштабированы и предзагружены в виде X_train_scaled, X_test_scaled, y_train и y_test. Также импортированы KNeighborsClassifier, DecisionTreeClassifier и LogisticRegression.

Это упражнение является частью курса

Обучение с учителем с помощью scikit-learn

Посмотреть курс

Инструкции к упражнению

  • Создайте словарь с ключами "Logistic Regression", "KNN" и "Decision Tree Classifier", присвоив в качестве значений вызов каждой из моделей.
  • Переберите значения в словаре models в цикле.
  • Создайте объект KFold для выполнения 6 разбиений, задав параметр shuffle равным True, а random_state — равным 12.
  • Выполните кросс-валидацию, используя модель, масштабированные обучающие признаки, целевую обучающую выборку и установив cv равным kf.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Create models dictionary
models = {"____": ____(), "____": ____(), "____": ____()}
results = []

# Loop through the models' values
for model in ____.____():
  
  # Instantiate a KFold object
  kf = ____(n_splits=____, random_state=____, shuffle=____)
  
  # Perform cross-validation
  cv_results = ____(____, ____, ____, cv=____)
  results.append(cv_results)
plt.boxplot(results, labels=models.keys())
plt.show()
Редактировать и запускать код