BaşlayınÜcretsiz başlayın

Aşırı uyum ve yetersiz uyum

Model karmaşıklığını yorumlamak, supervised learning performansını değerlendirmenin harika bir yoludur. Amacın, özellikler ile hedef değişken arasındaki ilişkiyi yorumlayabilen ve yeni gözlemlerle karşılaştığında da iyi genelleme yapabilen bir model üretmek.

Eğitim ve test kümeleri, churn_df veri kümesinden oluşturuldu ve X_train, X_test, y_train ve y_test olarak önceden yüklendi.

Ayrıca, numpy np olarak ve KNeighborsClassifier senin için içe aktarıldı.

Bu egzersiz, kursun bir parçasıdır

scikit-learn ile Supervised Learning

Kursa Göz Atın

Egzersiz talimatları

  • 1'den 12'ye (12 dahil) kadar değerlerden oluşan bir numpy dizisi olarak neighbors oluştur.
  • Komşu sayısı neighbor yineleyicisine eşit olacak şekilde bir KNeighborsClassifier örneği oluştur.
  • Modeli eğitim verilerine fit et.
  • .score() yöntemini kullanarak eğitim ve test kümeleri için doğruluk skorlarını ayrı ayrı hesapla ve sonuçları sırasıyla train_accuracies ve test_accuracies sözlüklerine, indeks olarak neighbor yineleyicisini kullanarak ata.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Create neighbors
neighbors = np.arange(____, ____)
train_accuracies = {}
test_accuracies = {}

for neighbor in neighbors:
  
	# Set up a KNN Classifier
	knn = ____(____=____)
  
	# Fit the model
	knn.____(____, ____)
  
	# Compute accuracy
	train_accuracies[____] = knn.____(____, ____)
	test_accuracies[____] = knn.____(____, ____)
print(neighbors, '\n', train_accuracies, '\n', test_accuracies)
Kodu Düzenle ve Çalıştır