Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lernen Herausforderung: Bewertung des Modells mit Kreuzvalidierung | Modellierung
ML-Einführung Mit Scikit-Learn

bookHerausforderung: Bewertung des Modells mit Kreuzvalidierung

In dieser Aufgabe ein Modell erstellen und bewerten, indem sowohl der Train-Test-Split als auch die Kreuzvalidierung auf dem vorverarbeiteten penguins dataset angewendet werden.

Die folgenden Funktionen sind dabei hilfreich:

  • cross_val_score() aus sklearn.model_selection;
  • train_test_split() aus sklearn.model_selection;
  • .fit()- und .score()-Methoden des Modells.
Aufgabe

Swipe to start coding

  1. Initialisierung eines KNeighborsClassifier mit 4 Nachbarn.
  2. Verwendung von cross_val_score() mit 3 Folds, um Kreuzvalidierungswerte zu berechnen (das Modell kann untrainiert übergeben werden).
  3. Aufteilung der Daten in Trainings- und Testdaten mit train_test_split().
  4. Training des Modells mit dem Trainingsdatensatz.
  5. Bewertung des Modells auf dem Testdatensatz mit .score().

Lösung

War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 4. Kapitel 5
single

single

Fragen Sie AI

expand

Fragen Sie AI

ChatGPT

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

close

Awesome!

Completion rate improved to 3.13

bookHerausforderung: Bewertung des Modells mit Kreuzvalidierung

Swipe um das Menü anzuzeigen

In dieser Aufgabe ein Modell erstellen und bewerten, indem sowohl der Train-Test-Split als auch die Kreuzvalidierung auf dem vorverarbeiteten penguins dataset angewendet werden.

Die folgenden Funktionen sind dabei hilfreich:

  • cross_val_score() aus sklearn.model_selection;
  • train_test_split() aus sklearn.model_selection;
  • .fit()- und .score()-Methoden des Modells.
Aufgabe

Swipe to start coding

  1. Initialisierung eines KNeighborsClassifier mit 4 Nachbarn.
  2. Verwendung von cross_val_score() mit 3 Folds, um Kreuzvalidierungswerte zu berechnen (das Modell kann untrainiert übergeben werden).
  3. Aufteilung der Daten in Trainings- und Testdaten mit train_test_split().
  4. Training des Modells mit dem Trainingsdatensatz.
  5. Bewertung des Modells auf dem Testdatensatz mit .score().

Lösung

Switch to desktopWechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden
War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

close

Awesome!

Completion rate improved to 3.13
Abschnitt 4. Kapitel 5
single

single

some-alt