Введение
Этот практикум представляет собой пошаговое руководство по использованию методов классификации на наборе данных Digits с использованием scikit-learn. В этом практикуме мы загрузим набор данных, предобработаем данные, разделим набор данных на обучающую и тестовую выборки, а затем применим два различных метода классификации (K-Nearest Neighbors и Логистическая регрессия) для классификации цифр. Наконец, мы сравним точность обоих методов.
Советы по работе с ВМ
После запуска ВМ перейдите в левый верхний угол и переключитесь на вкладку Notebook, чтобы приступить к практике с использованием Jupyter Notebook.
Иногда может потребоваться подождать несколько секунд, пока Jupyter Notebook полностью загрузится. Проверка операций не может быть автоматизирована из-за ограничений Jupyter Notebook.
Если вы столкнетесь с проблемами при обучении, не стесняйтесь обращаться к Labby. Оставьте отзыв после занятия, и мы оперативно решим проблему для вас.
Skills Graph
%%%%{init: {'theme':'neutral'}}%%%%
flowchart RL
sklearn(("Sklearn")) -.-> sklearn/CoreModelsandAlgorithmsGroup(["Core Models and Algorithms"])
sklearn(("Sklearn")) -.-> sklearn/ModelSelectionandEvaluationGroup(["Model Selection and Evaluation"])
ml(("Machine Learning")) -.-> ml/FrameworkandSoftwareGroup(["Framework and Software"])
sklearn/CoreModelsandAlgorithmsGroup -.-> sklearn/linear_model("Linear Models")
sklearn/CoreModelsandAlgorithmsGroup -.-> sklearn/neighbors("Nearest Neighbors")
sklearn/ModelSelectionandEvaluationGroup -.-> sklearn/model_selection("Model Selection")
ml/FrameworkandSoftwareGroup -.-> ml/sklearn("scikit-learn")
subgraph Lab Skills
sklearn/linear_model -.-> lab-49106{{"Классификация цифр с использованием Scikit-Learn"}}
sklearn/neighbors -.-> lab-49106{{"Классификация цифр с использованием Scikit-Learn"}}
sklearn/model_selection -.-> lab-49106{{"Классификация цифр с использованием Scikit-Learn"}}
ml/sklearn -.-> lab-49106{{"Классификация цифр с использованием Scikit-Learn"}}
end