ПочатиПочніть безкоштовно

KNN на масштабованих даних

Точність на немасштабованому наборі даних wine була непоганою, але подивімося, чого ви зможете досягти завдяки стандартизації. Як і раніше, модель knn, а також дані X і мітки y уже підготовлено для вас.

Ця вправа є частиною курсу

Передобробка для машинного навчання в Python

Переглянути курс

Інструкції до вправи

  • Створіть об'єкт StandardScaler() і збережіть його у змінній scaler.
  • Масштабуйте ознаки тренувальної та тестової вибірок, стежачи, щоб не допустити витоку даних.
  • Навчіть модель knn на масштабованих тренувальних даних.
  • Оцініть якість моделі, обчисливши точність на тестовій вибірці.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=42)

# Instantiate a StandardScaler
scaler = ____

# Scale the training and test features
X_train_scaled = ____.____(____)
X_test_scaled = ____.____(____)

# Fit the k-nearest neighbors model to the training data
____.____(____, ____)

# Score the model on the test data
print(____.____(____, ____))
Редагувати та запускати код