k 近邻：拟合
在本练习中，您将使用已为本章其余部分预加载的 churn_df 数据集，构建您的第一个分类模型。
目标变量 "churn" 需要是一个单独的列，且与特征数据拥有相同的观测数。特征数据已转换为 numpy 数组。
"account_length" 和 "customer_service_calls" 被作为特征使用，因为账户时长可以反映客户忠诚度，而频繁的客服来电可能表示不满，这两者都可能是良好的流失预测信号。
本练习是课程的一部分
使用 scikit-learn 的监督学习
练习说明
- 从
sklearn.neighbors导入KNeighborsClassifier。 - 实例化一个名为
knn的KNeighborsClassifier，并将邻居数量设为6。 - 使用
.fit()方法将分类器拟合到数据上。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Import KNeighborsClassifier
from ____.____ import ____
y = churn_df["churn"].values
X = churn_df[["account_length", "customer_service_calls"]].values
# Create a KNN classifier with 6 neighbors
knn = ____(____=____)
# Fit the classifier to the data
knn.____(____, ____)