对已缩放数据进行 KNN
在未缩放的 wine 数据集上，准确率还算不错。但让我们看看通过标准化能获得什么提升。knn 模型以及 X 与 y 的数据和标签集已经为您创建好。
本练习是课程的一部分
Python 中的机器学习预处理
练习说明
- 创建
StandardScaler()，并将其保存到名为scaler的变量中。 - 缩放训练集和测试集的特征，注意避免引入数据泄漏。
- 将
knn模型拟合到已缩放的训练数据上。 - 通过计算测试集准确率来评估模型表现。
交互式实操练习
通过完成这段示例代码来试试这个练习。
X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, random_state=42)
# Instantiate a StandardScaler
scaler = ____
# Scale the training and test features
X_train_scaled = ____.____(____)
X_test_scaled = ____.____(____)
# Fit the k-nearest neighbors model to the training data
____.____(____, ____)
# Score the model on the test data
print(____.____(____, ____))