Будем использовать набор данных Wine, где требуется предсказать сорт винограда, из которого изготовлено вино, используя результаты химических анализов.
Выполните следующие шаги:
1. Загрузите выборку Wine используя метод из библиотеки sklearn
2. Извлеките из данных признаки и классы. Более подробно о сути признаков можно прочитать из описания датасета
3. Оценку качества необходимо провести методом кросс-валидации по 5 блокам (5-fold). Создайте генератор разбиений, который перемешивает выборку перед формированием блоков (shuffle=True). Для воспроизводимости результата, создавайте генератор KFold с фиксированным параметром random_state=42. В качестве меры качества используйте долю верных ответов (accuracy).
4. Найдите точность классификации на кросс-валидации для метода k ближайших соседей (sklearn.neighbors.KNeighborsClassifier), при k от 1 до 50. При каком k получилось оптимальное качество? Чему оно равно (число в интервале от 0 до 1)?
5. Произведите масштабирование признаков с помощью функции sklearn.preprocessing.StandartScaler. Снова найдите оптимальное k на кроссвалидации.
6. Какое значение k получилось оптимальным после приведения признаков к одному масштабу? Как изменилось значение качества?
7. Повторите шаги с 4 по 5 для метода дерева решений, где вместо k меняете параметр глубины дерева от 1 до 20. Как изменяется точность при увеличении глубины дерева.
8. Для этого же набора данных используйте линейные методы, в частности с персептрон sklearn.linear_model.Perceptron. Для данного метода попробуйте поменять параметр alpha. Как изменяется точность.
9. Примените данный алгоритм для масштабируемых признаках. Как изменится точность. Также попробуйте поменять параметр alpha.
10. Определите какой из алгоритмов является наиболее подходящим для этого набора данных.
