Главная

Обучите модель kNN с различными значениями k. Они уже заданы в прекоде. Постройте график зависимости accuracy от количества ближайших соседей.

import pandas as pd

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import OneHotEncoder
from matplotlib import pyplot as plt
from sklearn.metrics import accuracy_score

# импортируйте класс для модели классификации KNN 
from sklearn.neighbors import KNeighborsClassifier

# создание константы RANDOM_STATE
RANDOM_STATE = 42

# выполняем подготовку данных функцией, все операции в скрытом прекоде
X_train, X_test, y_train, y_test = prepare_data('music_genre_2_classes_balanced_v2_exp.csv')

# в цикле перебирайте кол-во ближайших соседей от 1 до 1000 с шагом 100 
# ваши действия будут выполняться на каждой итерации:
# 1. создайте и обучите модель kNN на тренировочных данных
# 2. получите предсказания и посчитайте метрику accuracy на тестовой выборке
# 3. результат добавляйте в переменную results
results = []

for k in range(1,1001, 100):
    model = KNeighborsClassifier(n_neighbors=k)
    model.fit(X_train, y_train)
    y_pred = model.predict(X_test)
# посчитайте accuracy
    acc = accuracy_score(y_test, y_pred)
# сохраните в списке метрику качества модели на тестовых данных
    results.append(acc)
      
# простройте график зависимости accuracy и k-ближайших соседей
plt.plot(list(range(1,1001, 100)), results)
plt.title('Зависимость Accuracy и k-ближайших соседей')
plt.xlabel('k-ближайших соседей')
plt.ylabel('Accuracy')
plt.show()