ПочатиПочніть безкоштовно

Початкове моделювання

У цій вправі ви побудуєте класифікатор MLP для набору зображень, який використовувався в розділі 1. Нагадаємо: кожне зображення відповідає числу від 0 до 9, і завдання — класифікувати кожне зображення як певне число. Ознаки — це значення окремих пікселів у діапазоні 0–16, з яких складається зображення. Після масштабування ознак ви оціните точність класифікатора на тестовій вибірці.

У вашому робочому середовищі зразок даних зображень у вигляді DataFrame завантажено як image_data, а також доступні sklearn і pandas як pd. StandardScaler() із sklearn.preprocessing також доступний.

Ця вправа є частиною курсу

Прогнозування CTR за допомогою машинного навчання в Python

Переглянути курс

Інструкції до вправи

  • Стандартизуйте ознаки за допомогою .fit_transform() і розбийте дані на тренувальну та тестову вибірки з використанням train_test_split().
  • Створіть класифікатор MLP.
  • Зробіть передбачення за допомогою класифікатора та оцініть точність за допомогою accuracy_score().

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Define X and y
X, y = image_data.data, image_data.target

# Scale features and split into training and testing
X_scaled = ____().____(X)
X_train, X_test, y_train, y_test = ____(
  X_scaled, y, test_size = .2, random_state = 0)

# Create classifier, train and evaluate accuracy 
clf = ____()
y_pred = clf.____(X_train, y_train).____(X_test)
print(____(y_test, y_pred))
Редагувати та запускати код