Другa навчальна модель
У цій вправі ви побудуєте ще один класифікатор — логістичну регресію — на наборі даних зображень. Кожне зображення відповідає числу від 0 до 9. Мета — класифікувати кожне зображення як певне число, наприклад 7 або 9. Використані ознаки — це конкретні значення пікселів у діапазоні 0–16, з яких складається зображення. Замість ручної оцінки точності ви оціните точність моделі за допомогою accuracy_score() зі sklearn.
Прикладні дані зображень завантажено як image_data, а також sklearn і pandas як pd. LogisticRegression доступна через sklearn.linear_model.
Ця вправа є частиною курсу
Прогнозування CTR за допомогою машинного навчання в Python
Інструкції до вправи
- Отримайте кількість рядків у
X, щоб визначити індекс, на якому слід розділити тренувальні та тестові дані. - Створіть класифікатор логістичної регресії.
- Згенеруйте передбачення за допомогою класифікатора та оцініть точність за допомогою
accuracy_score()ізsklearn.metrics.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Define X and y
X = image_data.data
y = image_data.target
# Define training and testing
split = int(0.7 * ____(X))
X_train, X_test, y_train, y_test = \
X[:split], X[split:], y[:split], y[split:]
# Create logistic regression classifier
clf = ____()
# Train classifier - predict label and evaluate accuracy
y_pred = clf.fit(X_train, y_train).____(X_test)
print(____(y_test, y_pred))