Изменения

Пусть Рассмотрим использование алгоритма knn на примере [https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+%28Diagnostic%29 реального датасета].Предположим, что мы загрузили ''wdbc.data'' и сохранили как ''tr.csv'' с загаловком - описанием признаков. * Загружаем данные  '''import''' pandas '''as''' pd '''from''' sklearn.preprocessing '''import''' StandardScaler   '''def''' load_data(data_path): ds = pd.read_csv(data_path) y = ds['diagnosis'] X = ds.drop('diagnosis', axis=1) X = X.drop('id', axis=1) i = len(X.columns) X = X.drop(X.columns[i - 1], axis=1) y.replace(('M', 'B'), (1, 0), inplace=True) sc = StandardScaler() sc.fit(X) X_ans = sc.transform(X) return X_ans, y  X, y = load_data("tr.csv")  Теперь <tex>X</tex>, <tex>y</tex> - нормированные значения признаков и соответствуйющие им классы.

X_train, X_validation, y_train, y_validation = train_test_split(X, y, '''train_size'''test_size=0.12, '''random_state'''=1234) '''print'''(X_train.shape, X_validation.shape)

tuned_params model_params = best_model.get_params() tuned_params = {} for k, v in model_params.items(): tuned_params[k] = [v]

> '''Used params''': {'metric_params': None, 'metric': 'euclidean', 'weights': 'distance', 'n_neighbors': 23}9, 'leaf_size': 30, 'n_jobs': 4, 'p': 2, 'algorithm': 'auto'}

A 0 0.82 90 1.00 0.90 95 4069 B 1 01.40 00 0.44 82 0.42 43 C 0.83 0.23 0.36 90 22 D 0.61 0.98 0.75 47 E 0.33 0.67 0.44 42 F 0.50 0.11 0.19 70 G 0.59 0.44 0.50 68 45 micro avg 0.53 93 0.53 93 0.53 93 332114 macro avg 0.58 95 0.55 91 0.51 92 332114 weighted avg 0.56 94 0.53 93 0.49 93 332114