Trực quan hóa độ phức tạp của mô hình
Giờ đây bạn đã tính được độ chính xác của mô hình KNN trên tập huấn luyện và tập kiểm tra với nhiều giá trị khác nhau của n_neighbors, bạn có thể tạo đường cong độ phức tạp của mô hình để trực quan hóa cách hiệu suất thay đổi khi mô hình bớt phức tạp!
Các biến neighbors, train_accuracies và test_accuracies mà bạn đã tạo ở bài trước đều đã được nạp sẵn. Bạn sẽ vẽ các kết quả để hỗ trợ tìm số lượng láng giềng tối ưu cho mô hình của mình.
Bài tập này là một phần của khóa học
Học có giám sát với scikit-learn
Hướng dẫn bài tập
- Thêm tiêu đề
"KNN: Varying Number of Neighbors". - Vẽ phương thức
.values()củatrain_accuraciestrên trục y so vớineighborstrên trục x, với nhãn"Training Accuracy". - Vẽ phương thức
.values()củatest_accuraciestrên trục y so vớineighborstrên trục x, với nhãn"Testing Accuracy". - Hiển thị biểu đồ.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Add a title
plt.title("____")
# Plot training accuracies
plt.plot(____, ____, label="____")
# Plot test accuracies
plt.plot(____, ____, label="____")
plt.legend()
plt.xlabel("Number of Neighbors")
plt.ylabel("Accuracy")
# Display the plot
____