入门模型
在本练习中，您将基于第 1 章使用的图像数据集构建一个 MLP 分类器。回顾一下，每张图像代表数字 0 到 9 中的一个，目标是将每张图像分类为对应的数字。所用特征为构成图像的像素取值，范围为 0–16。对特征进行缩放后，您将评估分类器在测试集上的准确率。
在您的工作区中，已将示例图像数据以 DataFrame 形式加载为 image_data，并已提供 sklearn 与 pandas（别名为 pd）。来自 sklearn.preprocessing 的 StandardScaler() 也已可用。
本练习是课程的一部分
用 Python 预测 CTR 的机器学习实战
练习说明
- 使用
.fit_transform()对特征进行标准化缩放，并使用train_test_split()将数据划分为训练集和测试集。 - 创建一个 MLP 分类器。
- 使用该分类器生成预测，并使用
accuracy_score()评估准确率。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Define X and y
X, y = image_data.data, image_data.target
# Scale features and split into training and testing
X_scaled = ____().____(X)
X_train, X_test, y_train, y_test = ____(
X_scaled, y, test_size = .2, random_state = 0)
# Create classifier, train and evaluate accuracy
clf = ____()
y_pred = clf.____(X_train, y_train).____(X_test)
print(____(y_test, y_pred))