Kursinhalt
Klassifikation mit Python
Klassifikation mit Python
Mehrklassenklassifikation
Die Mehrklassenklassifikation mit k-NN ist genauso einfach wie die binäre Klassifikation. Wir wählen einfach die Klasse, die in der Nachbarschaft vorherrscht.
Der KNeighborsClassifier führt automatisch eine Mehrklassenklassifikation durch, wenn y mehr als zwei Merkmale hat, sodass Sie nichts ändern müssen. Das einzige, was sich ändert, ist die y-Variable, die der .fit()-Methode übergeben wird.
Jetzt werden Sie eine Mehrklassenklassifikation mit k-NN durchführen.
Betrachten Sie das folgende Dataset:
import pandas as pd df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b71ff7ac-3932-41d2-a4d8-060e24b00129/starwars_multiple.csv') print(df.head())
Es ist dasselbe wie im Beispiel des vorherigen Kapitels, aber jetzt kann das Ziel drei Werte annehmen:
- 0 – "Habe es gehasst" (Bewertung ist weniger als 3/5);
- 1 – "Meh" (Bewertung zwischen 3/5 und 4/5);
- 2 – "Hat es gefallen" (Bewertung ist 4/5 oder höher).
Lassen Sie uns zur Klassifizierung übergehen! Nun, warten Sie, hier ist die Erinnerung an die Klassen, die Sie verwenden werden.
Und jetzt, lassen Sie uns zur Klassifizierung übergehen!
Swipe to start coding
Führen Sie eine Klassifikation mit dem KNeighborsClassifier durch, wobei n_neighbors gleich 13 ist.
- Importieren Sie den
KNeighborsClassifier. - Verwenden Sie die geeignete Klasse, um die Daten zu skalieren.
- Skalieren Sie die Daten mit
.fit_transform()für Trainingsdaten und.transform()für neue Instanzen. - Erstellen Sie das
KNeighborsClassifier-Objekt und übergeben SieX_scaledundyan dieses. - Sagen Sie die Klassen für neue Instanzen (
X_new_scaled) voraus.
Sobald Sie diese Aufgabe abgeschlossen haben, klicken Sie auf die -Schaltfläche unter dem Code, um Ihre Lösung zu überprüfen.
Lösung
Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwendenDanke für Ihr Feedback!
Mehrklassenklassifikation
Die Mehrklassenklassifikation mit k-NN ist genauso einfach wie die binäre Klassifikation. Wir wählen einfach die Klasse, die in der Nachbarschaft vorherrscht.
Der KNeighborsClassifier führt automatisch eine Mehrklassenklassifikation durch, wenn y mehr als zwei Merkmale hat, sodass Sie nichts ändern müssen. Das einzige, was sich ändert, ist die y-Variable, die der .fit()-Methode übergeben wird.
Jetzt werden Sie eine Mehrklassenklassifikation mit k-NN durchführen.
Betrachten Sie das folgende Dataset:
import pandas as pd df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/b71ff7ac-3932-41d2-a4d8-060e24b00129/starwars_multiple.csv') print(df.head())
Es ist dasselbe wie im Beispiel des vorherigen Kapitels, aber jetzt kann das Ziel drei Werte annehmen:
- 0 – "Habe es gehasst" (Bewertung ist weniger als 3/5);
- 1 – "Meh" (Bewertung zwischen 3/5 und 4/5);
- 2 – "Hat es gefallen" (Bewertung ist 4/5 oder höher).
Lassen Sie uns zur Klassifizierung übergehen! Nun, warten Sie, hier ist die Erinnerung an die Klassen, die Sie verwenden werden.
Und jetzt, lassen Sie uns zur Klassifizierung übergehen!
Swipe to start coding
Führen Sie eine Klassifikation mit dem KNeighborsClassifier durch, wobei n_neighbors gleich 13 ist.
- Importieren Sie den
KNeighborsClassifier. - Verwenden Sie die geeignete Klasse, um die Daten zu skalieren.
- Skalieren Sie die Daten mit
.fit_transform()für Trainingsdaten und.transform()für neue Instanzen. - Erstellen Sie das
KNeighborsClassifier-Objekt und übergeben SieX_scaledundyan dieses. - Sagen Sie die Klassen für neue Instanzen (
X_new_scaled) voraus.
Sobald Sie diese Aufgabe abgeschlossen haben, klicken Sie auf die -Schaltfläche unter dem Code, um Ihre Lösung zu überprüfen.
Lösung
Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwendenDanke für Ihr Feedback!
Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden