Desafío: Evaluación del Modelo con Validación Cruzada
En este desafío, construir y evaluar un modelo utilizando tanto la división train-test como la validación cruzada en el conjunto de datos de pingüinos preprocesado.
Las siguientes funciones serán útiles:
cross_val_score()desklearn.model_selection;train_test_split()desklearn.model_selection;- Métodos
.fit()y.score()del modelo.
Swipe to start coding
Se proporciona una versión preprocesada del conjunto de datos de pingüinos, donde la matriz de características X y la variable objetivo y están listas para el modelado.
El objetivo es entrenar y evaluar un modelo KNeighborsClassifier utilizando tanto validación cruzada como una división de entrenamiento y prueba.
- Inicializar un objeto
KNeighborsClassifierconn_neighbors=4. - Utilizar la función
cross_val_score()concv=3para calcular las puntuaciones de validación cruzada para el modelo. - Dividir los datos en conjuntos de entrenamiento y prueba utilizando la función
train_test_split(). - Ajustar el modelo en el conjunto de entrenamiento usando el método
.fit(). - Evaluar el modelo en el conjunto de prueba usando el método
.score()e imprimir el resultado.
Solución
¡Gracias por tus comentarios!
single
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
Awesome!
Completion rate improved to 3.13Desafío: Evaluación del Modelo con Validación Cruzada
Desliza para mostrar el menú
En este desafío, construir y evaluar un modelo utilizando tanto la división train-test como la validación cruzada en el conjunto de datos de pingüinos preprocesado.
Las siguientes funciones serán útiles:
cross_val_score()desklearn.model_selection;train_test_split()desklearn.model_selection;- Métodos
.fit()y.score()del modelo.
Swipe to start coding
Se proporciona una versión preprocesada del conjunto de datos de pingüinos, donde la matriz de características X y la variable objetivo y están listas para el modelado.
El objetivo es entrenar y evaluar un modelo KNeighborsClassifier utilizando tanto validación cruzada como una división de entrenamiento y prueba.
- Inicializar un objeto
KNeighborsClassifierconn_neighbors=4. - Utilizar la función
cross_val_score()concv=3para calcular las puntuaciones de validación cruzada para el modelo. - Dividir los datos en conjuntos de entrenamiento y prueba utilizando la función
train_test_split(). - Ajustar el modelo en el conjunto de entrenamiento usando el método
.fit(). - Evaluar el modelo en el conjunto de prueba usando el método
.score()e imprimir el resultado.
Solución
Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones¡Gracias por tus comentarios!
single
