เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

Hyperparameters ของ KNN

เพื่อนำความรู้จากแบบฝึกหัดก่อนหน้าไปใช้จริง การทดลองกับอัลกอริทึมใหม่จะช่วยเสริมความเข้าใจได้เป็นอย่างดี อัลกอริทึม k-nearest-neighbors อาจไม่ได้รับความนิยมเหมือนในอดีต แต่ก็ยังเป็นตัวเลือกที่ดีสำหรับข้อมูลที่มีกลุ่มข้อมูลที่มีพฤติกรรมคล้ายกัน แล้วข้อมูลผู้ใช้บัตรเครดิตของเราเป็นแบบนั้นด้วยหรือเปล่า?

ในแบบฝึกหัดนี้ จะทดลองใช้ค่าต่าง ๆ สำหรับ hyperparameter หลักตัวหนึ่งของอัลกอริทึม knn แล้วเปรียบเทียบประสิทธิภาพของแต่ละค่า

ข้อมูลที่มีให้:

  • X_train, X_test, y_train, y_test DataFrames

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การปรับ Hyperparameter ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้าง knn estimator สำหรับค่า n_neighbors ต่อไปนี้: [5, 10, 20]
  • Fit โมเดลแต่ละตัวกับข้อมูล training แล้วสร้างค่าพยากรณ์
  • คำนวณค่า accuracy score ของแต่ละโมเดลแล้วแสดงผลออกมา

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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(_____, _____, _____))
แก้ไขและรันโค้ด