Зміна розміру тренувальної вибірки
Розмір ваших тренувальної та тестової вибірок впливає на продуктивність моделі. Моделі навчаються краще, коли мають більше тренувальних даних. Однак є ризик перенавчання на тренувальних даних і поганої узагальнюваності на нові дані, тож щоб коректно оцінити здатність моделі узагальнювати, потрібно мати достатньо тестових даних. Отже, існує важливий баланс і компроміс між тим, скільки даних ви використовуєте для навчання, і скільки відкладаєте для тестування.
Досі ви використовували 70% для навчання і 30% для тестування. Тепер використаймо 80% даних для навчання та оцінимо, як це вплине на роботу моделі.
Ця вправа є частиною курсу
Маркетингова аналітика: прогнозування відтоку клієнтів у Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Import train_test_split
from sklearn.model_selection import train_test_split
# Create feature variable
X = telco.drop('Churn', axis=1)
# Create target variable
y = telco['Churn']
# Create training and testing sets
X_train, X_test, y_train, y_test = ____