Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Lära Challenge: Evaluating the Model with Cross-Validation | Modeling
ML Introduction with scikit-learn

Svep för att visa menyn

book
Challenge: Evaluating the Model with Cross-Validation

In this challenge, you will build and evaluate a model using both train-test evaluation and cross-validation. The data is an already preprocessed penguins dataset.

Here are some of the functions you will use:

Uppgift

Swipe to start coding

Your task is to create a 4-nearest neighbors classifier and first evaluate its performance using the cross-validation score. Then split the data into train-test sets, train the model on the training set, and evaluate its performance on the test set.

  1. Initialize a KNeighborsClassifier with 4 neighbors.
  2. Calculate the cross-validation scores of this model with the number of folds set to 3. You can pass an untrained model to a cross_val_score() function.
  3. Use a suitable function to split X, y.
  4. Train the model using the training set.
  5. Evaluate the model using the test set.

Lösning

Switch to desktopByt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedan
Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

Avsnitt 4. Kapitel 5

Fråga AI

expand
ChatGPT

Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal

book
Challenge: Evaluating the Model with Cross-Validation

In this challenge, you will build and evaluate a model using both train-test evaluation and cross-validation. The data is an already preprocessed penguins dataset.

Here are some of the functions you will use:

Uppgift

Swipe to start coding

Your task is to create a 4-nearest neighbors classifier and first evaluate its performance using the cross-validation score. Then split the data into train-test sets, train the model on the training set, and evaluate its performance on the test set.

  1. Initialize a KNeighborsClassifier with 4 neighbors.
  2. Calculate the cross-validation scores of this model with the number of folds set to 3. You can pass an untrained model to a cross_val_score() function.
  3. Use a suitable function to split X, y.
  4. Train the model using the training set.
  5. Evaluate the model using the test set.

Lösning

Switch to desktopByt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedan
Var allt tydligt?

Hur kan vi förbättra det?

Tack för dina kommentarer!

Avsnitt 4. Kapitel 5
Switch to desktopByt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedan
Vi beklagar att något gick fel. Vad hände?
some-alt