ПочатиПочніть безкоштовно

Побудуйте диференційно-приватний класифікатор

У цій вправі ви побудуєте та навчите приватну модель Gaussian Naive Bayes на наборі даних Penguin, щоб класифікувати, чи пінгвін є самцем або самицею.

K-анонімність погано працює з високовимірними або різнорідними наборами даних через суттєві теоретичні та емпіричні обмеження — „прокляття розмірності". Із ростом кількості ознак або вимірів обсяг даних, потрібний для коректного узагальнення, зростає експоненційно. Це одна з причин, чому диференційна приватність нині є переважною моделлю приватності. Параметр epsilon не залежить від будь-яких фонових знань і „обмежує" витік чутливої інформації.

DataFrame завантажено як penguin_df і розділено на X_train, y_train, X_test та y_test. Клас приватної моделі імпортовано як dp_GaussianNB.

Ця вправа є частиною курсу

Конфіденційність даних і анонімізація в Python

Переглянути курс

Інструкції до вправи

  • Створіть класифікатор dp_GaussianNB без параметрів.
  • Навчіть попередньо створену модель на даних без додаткових параметрів.
  • Обчисліть оцінку (score) приватної моделі на тестових даних.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Built the private classifier without parameters
dp_clf = ____

# Fit the model to the data
____(X_train, y_train)

# Print the accuracy score
print("The accuracy with default settings is ", ____(X_test, y_test))
Редагувати та запускати код