KNN på skalad data
Noggrannheten på den oskalade wine-datamängden var godkänd, men låt oss se vad du kan uppnå med standardisering. Precis som tidigare har knn-modellen samt X- och y-data och etiketter redan skapats åt dig.
Den här övningen är en del av kursen
Förbehandling för maskininlärning i Python
Övningsinstruktioner
- Skapa en
StandardScaler()-instans och lagra den i en variabel med namnetscaler. - Skala tränings- och testsärdragen – var noga med att inte introducera datainläckage.
- Anpassa
knn-modellen till den skalade träningsdatan. - Utvärdera modellens prestanda genom att beräkna noggrannheten på testmängden.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
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(____.____(____, ____))