Оцінювання класифікатора для передбачення діабету
У цьому розділі ви працюватимете з набором даних diabetes_df, який було представлено раніше.
Мета — передбачити, чи має конкретна особа ймовірність діабету на основі ознак індексу маси тіла (BMI) та віку (в роках). Отже, це задача бінарної класифікації. Цільове значення 0 означає, що особа не має діабету, тоді як значення 1 означає, що особа має діабет.
diabetes_df попередньо завантажено для вас як датафрейм pandas і розділено на X_train, X_test, y_train та y_test. Крім того, KNeighborsClassifier() вже створено й присвоєно змінній knn.
Ви навчите модель, зробите передбачення на тестовій вибірці, а потім отримаєте матрицю похибок і звіт класифікації.
Ця вправа є частиною курсу
Кероване навчання зі scikit-learn
Інструкції до вправи
- Імпортуйте
confusion_matrixіclassification_report. - Навчіть модель на тренувальних даних.
- Передбачте мітки для тестової вибірки й збережіть результат у змінній
y_pred. - Обчисліть і виведіть матрицю похибок і звіт класифікації для тестових міток порівняно з передбаченими мітками.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Import confusion matrix
____
knn = KNeighborsClassifier(n_neighbors=6)
# Fit the model to the training data
____
# Predict the labels of the test data: y_pred
y_pred = ____
# Generate the confusion matrix and classification report
print(____(____, ____))
print(____(____, ____))