[Desafio]: hora da prática

Continuação do capítulo anterior -> Ajustando modelos

from sklearn.preprocessing import MinMaxScaler
normalizacao = MinMaxScaler()
X_treino_normalizado = normalizacao.fit_transform(X_treino)
pd.DataFrame(X_treino_normalizado)

from sklearn.neighbors import KNeighborsClassifier
knn = KNeighborsClassifier()
knn.fit(X_treino_normalizado, y_treino)

X_teste_normalizado = normalizacao.transform(X_teste)
knn.score(X_teste_normalizado, y_teste)

print(f'Acurácia Dummy: {dummy.score(X_teste, y_teste)}')
print(f'Acurácia Árvore: {dtc.score(X_teste, y_teste)}')
print(f'Acurácia KNN: {knn.score(X_teste_normalizado, y_teste)}')

import pickle
with open('modelo_onehotenc.pkl', 'wb') as file: 
    pickle.dump(ohe, file)

with open('modelo_arvore.pkl', 'wb') as file: 
    pickle.dump(dtc, file)

novo_dado = pd.DataFrame({
    'score_credito': [850],
    'pais':['França'],
    'sexo_biologico':['Homem'],
    'idade': [27],
    'anos_de_cliente': [3],
    'saldo': [56000],
    'servicos_adquiridos': [1],
    'tem_cartao_credito': [1],
    'membro_ativo': [1],
    'salario_estimado': [85270.00]
})

novo_dado = pd.DataFrame(novo_dado)

modelo_one_hot = pd.read_pickle(r'03_ml_classificacao\modelo_onehotenc.pkl')
modelo_arvore = pd.read_pickle(r'03_ml_classificacao\modelo_arvore.pkl')

novo_dado = modelo_one_hot.transform(novo_dado)
modelo_arvore.predict(novo_dado)