Hyperparametrar för KNN
För att befästa kunskaperna från föregående övning är det bra att prova dem på en ny algoritm. K-nearest-neighbors-algoritmen är inte lika populär som tidigare, men kan fortfarande vara ett utmärkt val för data som innehåller grupper med likartat beteende. Kan det vara fallet för våra kreditkortsanvändare?
I den här övningen provar du flera olika värden för en av kärnhyperparametrarna i knn-algoritmen och jämför resultaten.
Följande är tillgängligt:
- DataFrames:
X_train,X_test,y_train,y_test
Den här övningen är en del av kursen
Hyperparameterjustering i Python
Övningsinstruktioner
- Bygg en knn-estimator för följande värden på
n_neighbors: [5, 10, 20]. - Anpassa varje estimator mot träningsdata och generera prediktioner.
- Beräkna ett noggrannhetspoäng för varje modell och skriv ut dem.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Build a knn estimator for each value of n_neighbours
knn_5 = KNeighborsClassifier(n_neighbors=____)
knn_10 = KNeighborsClassifier(n_neighbors=____)
knn_20 = KNeighborsClassifier(n_neighbors=____)
# Fit each to the training data & produce predictions
knn_5_predictions = knn_5.fit(_____, _____).predict(_____)
knn_10_predictions = knn_10.fit(_____, _____).predict(_____)
knn_20_predictions = knn_20.fit(_____, _____).predict(_____)
# Get an accuracy score for each of the models
knn_5_accuracy = accuracy_score(y_test, _____)
knn_10_accuracy = accuracy_score(y_test, _____)
knn_20_accuracy = accuracy_score(y_test, _____)
print("The accuracy of 5, 10, 20 neighbours was {}, {}, {}".format(_____, _____, _____))