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)
