未归一化情况下的建模

让我们看看，如果在建模前不进行任何标准化处理，模型的准确率可能会发生什么变化。

这里我们使用了 wine 数据集的一个子集。其中一列 Proline 相比其他列方差极高。这正是对数规范化这类技术能发挥作用的场景，您将在下一节学习它。

到目前为止，scikit-learn 的模型训练流程对您来说应该已经很熟悉了，因此这里不再展开细节。您已经有一个可用的 k 近邻模型（knn），以及用于拟合和评分的 X 和 y 数据集。

本练习是课程的一部分

Python 中的机器学习预处理

查看课程

练习说明

将 X 和 y 拆分为训练集和测试集，确保两个集合中的类别标签分布相同。
使用训练集特征和标签拟合 knn 模型。
使用 .score() 方法打印 knn 模型在测试集上的准确率。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Split the dataset into training and test sets
X_train, X_test, y_train, y_test = ____(____, ____, stratify=____, random_state=42)

knn = KNeighborsClassifier()

# Fit the knn model to the training data
knn.____(____, ____)

# Score the model on the test data
print(knn.____(____))

编辑并运行代码