Моделювання без нормалізації

Подивімося, що може статися з точністю вашої моделі, якщо ви спробуєте моделювати дані без попередньої стандартизації.

Тут наведено підмножину набору даних wine. Одна з колонок, Proline, має надзвичайно велику дисперсію порівняно з іншими. Це приклад ситуації, де стане у пригоді логнормалізація, про яку ви дізнаєтеся в наступному розділі.

Процес навчання моделей у scikit-learn уже має бути вам знайомий, тож не заглиблюватимемося в деталі. У вас уже є модель k-ближчих сусідів (knn), а також множини X і y, необхідні для навчання та оцінювання.

Ця вправа є частиною курсу

Передобробка для машинного навчання в Python

Переглянути курс

Інструкції до вправи

Розбийте множини X і y на тренувальну та тестову вибірки, забезпечивши рівномірний розподіл міток класів в обох вибірках.
Навчіть модель knn на тренувальних ознаках і мітках.
Виведіть точність моделі knn на тестовій вибірці за допомогою методу .score().

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Split the dataset into training and test sets
X_train, X_test, y_train, y_test = ____(____, ____, stratify=____, random_state=42)

knn = KNeighborsClassifier()

# Fit the knn model to the training data
knn.____(____, ____)

# Score the model on the test data
print(knn.____(____))

Редагувати та запускати код