Программа курса Урок 97 из 250 · Ваши первые модели машинного обучения
Ваши первые модели машинного обучения

Проект: Классификация цветов целиком

Пора собрать весь пайплайн самостоятельно, без каких-либо опор. Это тот самый рабочий процесс, который вы бы использовали для реальной задачи.

Вам дан небольшой набор данных с цветами, похожими на ирисы, в виде DataFrame под названием data. Каждая строка содержит два признака, petal_len и petal_wid, и метку species, которая равна 0, 1 или 2 для трех типов цветов. Три вида имеют явно разные размеры лепестков, поэтому хорошая модель должна хорошо разделять их.

Ваша работа это полная последовательность, которую вы изучили, по порядку:

  • Split признаки и метки в X и y.
  • Отложите тестовый набор с train_test_split.
  • Train модель на обучающем наборе данных.
  • Predict на тестовом наборе.
  • Evaluate с accuracy на том тестовом наборе.

Две детали для чистого и воспроизводимого запуска. Передайте random_state=0 везде, где появляется случайность (разбиение и модель). И передайте stratify=y в train_test_split, чтобы тестовый набор сохранял тот же состав из трех видов, а не, скажем, исключал один вид случайно, что важно, когда каждый класс мал.

Это тот же цикл, только в масштабе, который работает за спам-фильтрами, медицинскими скринингами и рекомендательными системами. Модель здесь маленькая и данные удобные, но суть работы абсолютно реальная.

Твоя очередь

Используя данный DataFrame data: установите X = data[["petal_len", "petal_wid"]] и y = data["species"]. Разделите с помощью train_test_split(X, y, test_size=0.25, random_state=0, stratify=y) на X_train, X_test, y_train, y_test. Обучите RandomForestClassifier(n_estimators=50, random_state=0) под названием model на обучающей выборке, сделайте предсказание на X_test в predictions и установите acc = accuracy_score(y_test, predictions).

Заметили проблему в этом уроке? Сообщите о ней · Спросить об этом уроке

Это упражнение откроется скоро

Закончи предыдущий урок, чтобы открылся этот. Весь курс бесплатный, аккаунт не нужен, и ты можешь прочитать этот урок прямо сейчас.