เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การแบ่ง Train/Test + การคำนวณความแม่นยำ

ถึงเวลาฝึกแบ่งข้อมูลออกเป็นชุด training และชุด test โดยใช้ชุดข้อมูล churn_df กันแล้ว!

มีการสร้าง NumPy arrays ไว้ให้แล้ว โดย X เก็บ features และ y เก็บตัวแปรเป้าหมาย

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Supervised Learning ด้วย scikit-learn

ดูคอร์ส

คำแนะนำการฝึกหัด

  • Import train_test_split จาก sklearn.model_selection
  • แบ่ง X และ y ออกเป็นชุด training และชุด test โดยกำหนด test_size เป็น 20%, random_state เป็น 42 และให้สัดส่วนของ label เป้าหมายสะท้อนชุดข้อมูลต้นฉบับ
  • Fit โมเดล knn กับข้อมูล training
  • คำนวณและแสดงผลความแม่นยำของโมเดลบนข้อมูล test

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Import the module
from ____ import ____

X = churn_df.drop("churn", axis=1).values
y = churn_df["churn"].values

# Split into training and test sets
X_train, X_test, y_train, y_test = ____(____, ____, test_size=____, random_state=____, stratify=____)
knn = KNeighborsClassifier(n_neighbors=5)

# Fit the classifier to the training data
____

# Print the accuracy
print(knn.score(____, ____))
แก้ไขและรันโค้ด