1. Запустите IDLE.
2. Создайте новый файл.
3. Внесите в него следующий код:
from sklearn import neighbors
from sklearn.metrics import confusion_matrix
predictors = np.random.random(1000).reshape(500,2)
target = np.around(predictors.dot(np.array([0.4, 0.6])) + np.random.random(500))
clf = neighbors.KNeighborsClassifier(n_neighbors = 10)
knn = clf.fit(predictors, target)
print(knn.score(predictors, target))
prediction = knn.predict(predictors)
print(confusion_matrix(target, prediction))
4. Выполните код. Сделайте скриншот и внесите его в документ ворд.
5. Измените код так, чтобы выводу значения метрики соответствия модели и матрицы несоответсвий предшествовали поясняющие это слова.
6. Выполните код. Сделайте скриншот и внесите его в ворд.
7. Выполните 10 итераций для переменных "predictors", "target" и "clf", изменяя условия их формирования. Входные данные (условия формирования) и измерения (результаты) занести в таблицу (Excel). Посчитатйте в матрице число правильно и неправильно распознанных примеров
8. Сделайте выводы о влиянии изменений условий формирования на качество модели. Найдите средние, минимальные и максимальные значения результатов.
9. Постройте графики результатов в Excel.
Гарантия на работу | 1 год |
Средний балл | 4.96 |
Стоимость | Назначаете сами |
Эксперт | Выбираете сами |
Уникальность работы | от 70% |