Utvärdera en klassificerare för diabetesprediktion
I det här kapitlet arbetar du med datamängden diabetes_df som introducerades tidigare.
Målet är att förutsäga om en individ sannolikt har diabetes baserat på särdragen kroppsmasseindex (BMI) och ålder (i år). Det är alltså ett binärt klassificeringsproblem. Målvärdet 0 indikerar att individen inte har diabetes, medan värdet 1 indikerar att individen har diabetes.
diabetes_df har förinslästs som en pandas DataFrame och delats upp i X_train, X_test, y_train och y_test. Dessutom har en KNeighborsClassifier() instansierats och tilldelats variabeln knn.
Du ska träna modellen, göra förutsägelser på testmängden och sedan skapa en förväxlingsmatris och en klassificeringsrapport.
Den här övningen är en del av kursen
Övervakad inlärning med scikit-learn
Övningsinstruktioner
- Importera
confusion_matrixochclassification_report. - Träna modellen på träningsdata.
- Förutsäg märkena för testmängden och lagra resultaten som
y_pred. - Beräkna och skriv ut förväxlingsmatrisen och klassificeringsrapporten för testmärkena jämfört med de förutsagda märkena.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Import confusion matrix
____
knn = KNeighborsClassifier(n_neighbors=6)
# Fit the model to the training data
____
# Predict the labels of the test data: y_pred
y_pred = ____
# Generate the confusion matrix and classification report
print(____(____, ____))
print(____(____, ____))