Kom igångKom igång gratis

Utvärdera individuella klassificerare

I den här övningen ska du utvärdera prestandan hos modellerna i listan classifiers som vi definierade i föregående övning. Du gör det genom att träna varje klassificerare på träningsdatan och sedan utvärdera dess noggrannhet på testdatan.

Datamängden är redan inläst och förbehandlad (numeriska särdrag är standardiserade) och uppdelad i 70% träning och 30% test. Särdragsmatriserna X_train och X_test, samt etikettvektorerna y_train och y_test, finns tillgängliga i din arbetsyta. Dessutom har vi laddat in listan classifiers från föregående övning, liksom funktionen accuracy_score() från sklearn.metrics.

Den här övningen är en del av kursen

Maskininlärning med trädbaserade modeller i Python

Visa kurs

Övningsinstruktioner

  • Iterera över tuplerna i classifiers. Använd clf_name och clf som variabler i for-loopen:
    • Träna clf på träningsdatan.
    • Förutsäg etiketterna för testdatan med clf och tilldela resultaten till y_pred.
    • Utvärdera noggrannheten på testdatan för clf och skriv ut resultatet.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Iterate over the pre-defined list of classifiers
for clf_name, clf in ____:    
 
    # Fit clf to the training set
    ____.____(____, ____)    
   
    # Predict y_pred
    y_pred = ____.____(____)
    
    # Calculate accuracy
    accuracy = ____(____, ____) 
   
    # Evaluate clf's accuracy on the test set
    print('{:s} : {:.3f}'.format(clf_name, accuracy))
Redigera och kör kod