เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การแสดงภาพความซับซ้อนของโมเดล

หลังจากคำนวณความแม่นยำของโมเดล KNN บนชุดข้อมูล training และ test ด้วยค่า n_neighbors ต่าง ๆ แล้ว ตอนนี้สามารถสร้าง model complexity curve เพื่อดูว่าประสิทธิภาพเปลี่ยนแปลงอย่างไรเมื่อโมเดลมีความซับซ้อนลดลง

ตัวแปร neighbors, train_accuracies และ test_accuracies ที่สร้างไว้ในแบบฝึกหัดก่อนหน้าได้ถูกโหลดไว้ให้แล้ว จากนั้นให้พล็อตผลลัพธ์เพื่อช่วยหาจำนวน neighbors ที่เหมาะสมที่สุดสำหรับโมเดล

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Supervised Learning ด้วย scikit-learn

ดูคอร์ส

คำแนะนำการฝึกหัด

  • เพิ่มชื่อกราฟว่า "KNN: Varying Number of Neighbors"
  • พล็อตค่าจากเมธอด .values() ของ train_accuracies บนแกน y โดยใช้ neighbors เป็นแกน x พร้อมกำหนด label ว่า "Training Accuracy"
  • พล็อตค่าจากเมธอด .values() ของ test_accuracies บนแกน y โดยใช้ neighbors เป็นแกน x พร้อมกำหนด label ว่า "Testing Accuracy"
  • แสดงกราฟ

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Add a title
plt.title("____")

# Plot training accuracies
plt.plot(____, ____, label="____")

# Plot test accuracies
plt.plot(____, ____, label="____")

plt.legend()
plt.xlabel("Number of Neighbors")
plt.ylabel("Accuracy")

# Display the plot
____
แก้ไขและรันโค้ด