接下來三個練習中，你要整理 music_df 資料集。你會建立一個 pipeline 來插補遺漏值，並訓練一個 KNN 分類器模型，然後用它來預測某首歌是否屬於 "Rock" 曲風。
music_df
"Rock"
在這個練習中，你要刪除整體佔比少於 5% 的遺漏值，並把 "genre" 欄位轉換成二元特徵。
"genre"
本練習屬於課程
試著完成這個範例程式碼，體驗一下這個練習。
# Print missing values for each column ____
本章將介紹分類問題，並學習如何用監督式學習技術來解題。你會學到如何將資料分成訓練集與測試集、擬合模型、進行預測，以及評估準確率。你也會了解模型複雜度與效能之間的關係，並把所學應用到顧客流失資料集上，為電信公司客戶分類其流失狀態。
本章將介紹迴歸，並使用廣告支出資料集建立模型來預測銷售額。你會學到線性迴歸的運作機制，以及常見的效能指標，如 R-squared 與均方根誤差。你也會進行 k 折交叉驗證，並在迴歸模型上套用正規化來降低過度擬合的風險。
在訓練好模型之後，接下來你將學習如何評估它們。本章會介紹多種評估指標，以及使用 scikit-learn 進行分類模型效能分析的視覺化技巧。你也會學到如何透過超參數調校來最佳化分類與迴歸模型。
學習如何補齊遺漏值、將類別資料轉換為數值、縮放資料、同時評估多個監督式學習模型，並建立管線來簡化你的工作流程！
當前練習