ПочатиПочніть безкоштовно

k-Nearest Neighbors: навчання моделі

У цій вправі ви побудуєте свою першу модель класифікації, використовуючи набір даних churn_df, який попередньо завантажено для решти розділу.

Цільовий вектор "churn" має бути одним стовпцем з такою самою кількістю спостережень, як і в даних ознак. Дані ознак уже перетворено на масиви numpy.

"account_length" і "customer_service_calls" розглядаються як ознаки, адже тривалість обслуговування відображає лояльність клієнта, а часті звернення до служби підтримки можуть свідчити про незадоволеність. Обидва чинники є добрими предикторами відтоку.

Ця вправа є частиною курсу

Кероване навчання зі scikit-learn

Переглянути курс

Інструкції до вправи

  • Імпортуйте KNeighborsClassifier з sklearn.neighbors.
  • Створіть екземпляр KNeighborsClassifier з назвою knn із 6 сусідами.
  • Навчіть класифікатор на даних за допомогою методу .fit().

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Import KNeighborsClassifier
from ____.____ import ____ 

y = churn_df["churn"].values
X = churn_df[["account_length", "customer_service_calls"]].values

# Create a KNN classifier with 6 neighbors
knn = ____(____=____)

# Fit the classifier to the data
knn.____(____, ____)
Редагувати та запускати код