机器学习实战：基于Scikit-Learn、Keras 和TensorFlow （原书第2 版）

分类

｜

107

3.8 练习题

1.　为 MNIST 数据集构建一个分类器，并在测试集上达成超过 97% 的准确率。提示：

KNeighborsClassifier 对这个任务非常有效，你只需要找到合适的超参数值即

可（试试对 weights 和 n_neighbors 这两个超参数进行网格搜索）。

2.　写一个可以将 MNIST 图片向任意方向（上、下、左、右）移动一个像素的功能

注 5

。

然后对训练集中的每张图片，创建四个位移后的副本（每个方向一个），添加到训练

集。最后，在这个扩展过的训练集上训练模型，测量其在测试集上的准确率。你应

该能注意到，模型的表现甚至变得更好了！这种人工扩展训练集的技术称为数据增

广或训练集扩展。

1

3.　Kaggle 上非常棒的起点：处理泰坦尼克（Titanic）数据集。

4.　创建一个垃圾邮件分类器（更具挑战性的练习）：

•

从 Apache SpamAssassin 的公共数据集中下载垃圾邮件和非垃圾邮件。

•

解压数据集并熟悉数据格式。

•

将数据集分为训练集和测试集。

•

写一个数据准备的流水线将每封邮件转换为特征向量。你的流水线应将电子邮

件转换为一个“指示出所有可能的词存在与否”的（稀疏）向量。比如，如果所

有的邮件都只包含四个词“ Hello”“ how”“ are”“ you”，那么邮件“ Hello you

Hello Hello you”会被转换成为向量 [1，0，0，1]（意思是“Hello”存在，“how”

不存在，“ are”不存在，“ you”存在