You are currently looking at version 1.1 of this notebook. To download notebooks and datafiles, as well as get help on Jupyter notebooks in the Coursera platform, visit the Jupyter Notebook FAQ course resource.
For this assignment, you will be using the Breast Cancer Wisconsin (Diagnostic) Database to create a classifier that can help diagnose patients. First, read through the description of the dataset (below).
In [1]:
import numpy as np
import pandas as pd
from sklearn.datasets import load_breast_cancer
cancer = load_breast_cancer()
#print(cancer.DESCR) # Print the data set description
cancer
The object returned by load_breast_cancer() is a scikit-learn Bunch object, which is similar to a dictionary.
In [2]:
cancer.keys()
Out[2]:
dict_keys(['DESCR', 'target_names', 'feature_names', 'target', 'data'])
In [3]:
# You should write your whole answer within the function provided. The autograder will call
# this function and compare the return value against the correct solution value
def answer_zero():
# This function returns the number of features of the breast cancer dataset, which is an integer.
# The assignment question description will tell you the general format the autograder is expecting
return len(cancer['feature_names'])
# You can examine what your function returns by calling it in the cell. If you have questions
# about the assignment formats, check out the discussion forums for any FAQs
answer_zero()
Out[3]:
30
Scikit-learn works with lists, numpy arrays, scipy-sparse matrices, and pandas DataFrames, so converting the dataset to a DataFrame is not necessary for training this model. Using a DataFrame does however help make many things easier such as munging data, so let's practice creating a classifier with a pandas DataFrame.
Convert the sklearn.dataset cancer to a DataFrame.
This function should return a (569, 31) DataFrame with
columns =
['mean radius', 'mean texture', 'mean perimeter', 'mean area',
'mean smoothness', 'mean compactness', 'mean concavity',
'mean concave points', 'mean symmetry', 'mean fractal dimension',
'radius error', 'texture error', 'perimeter error', 'area error',
'smoothness error', 'compactness error', 'concavity error',
'concave points error', 'symmetry error', 'fractal dimension error',
'worst radius', 'worst texture', 'worst perimeter', 'worst area',
'worst smoothness', 'worst compactness', 'worst concavity',
'worst concave points', 'worst symmetry', 'worst fractal dimension',
'target']
and index =
RangeIndex(start=0, stop=569, step=1)
In [7]:
def answer_one():
df = pd.DataFrame(data=cancer['data'], columns=cancer['feature_names'])
df['target'] = cancer['target']
return df
answer_one()
Out[7]:
mean radius
mean texture
mean perimeter
mean area
mean smoothness
mean compactness
mean concavity
mean concave points
mean symmetry
mean fractal dimension
...
worst texture
worst perimeter
worst area
worst smoothness
worst compactness
worst concavity
worst concave points
worst symmetry
worst fractal dimension
target
0
17.990
10.38
122.80
1001.0
0.11840
0.27760
0.300100
0.147100
0.2419
0.07871
...
17.33
184.60
2019.0
0.16220
0.66560
0.71190
0.26540
0.4601
0.11890
0
1
20.570
17.77
132.90
1326.0
0.08474
0.07864
0.086900
0.070170
0.1812
0.05667
...
23.41
158.80
1956.0
0.12380
0.18660
0.24160
0.18600
0.2750
0.08902
0
2
19.690
21.25
130.00
1203.0
0.10960
0.15990
0.197400
0.127900
0.2069
0.05999
...
25.53
152.50
1709.0
0.14440
0.42450
0.45040
0.24300
0.3613
0.08758
0
3
11.420
20.38
77.58
386.1
0.14250
0.28390
0.241400
0.105200
0.2597
0.09744
...
26.50
98.87
567.7
0.20980
0.86630
0.68690
0.25750
0.6638
0.17300
0
4
20.290
14.34
135.10
1297.0
0.10030
0.13280
0.198000
0.104300
0.1809
0.05883
...
16.67
152.20
1575.0
0.13740
0.20500
0.40000
0.16250
0.2364
0.07678
0
5
12.450
15.70
82.57
477.1
0.12780
0.17000
0.157800
0.080890
0.2087
0.07613
...
23.75
103.40
741.6
0.17910
0.52490
0.53550
0.17410
0.3985
0.12440
0
6
18.250
19.98
119.60
1040.0
0.09463
0.10900
0.112700
0.074000
0.1794
0.05742
...
27.66
153.20
1606.0
0.14420
0.25760
0.37840
0.19320
0.3063
0.08368
0
7
13.710
20.83
90.20
577.9
0.11890
0.16450
0.093660
0.059850
0.2196
0.07451
...
28.14
110.60
897.0
0.16540
0.36820
0.26780
0.15560
0.3196
0.11510
0
8
13.000
21.82
87.50
519.8
0.12730
0.19320
0.185900
0.093530
0.2350
0.07389
...
30.73
106.20
739.3
0.17030
0.54010
0.53900
0.20600
0.4378
0.10720
0
9
12.460
24.04
83.97
475.9
0.11860
0.23960
0.227300
0.085430
0.2030
0.08243
...
40.68
97.65
711.4
0.18530
1.05800
1.10500
0.22100
0.4366
0.20750
0
10
16.020
23.24
102.70
797.8
0.08206
0.06669
0.032990
0.033230
0.1528
0.05697
...
33.88
123.80
1150.0
0.11810
0.15510
0.14590
0.09975
0.2948
0.08452
0
11
15.780
17.89
103.60
781.0
0.09710
0.12920
0.099540
0.066060
0.1842
0.06082
...
27.28
136.50
1299.0
0.13960
0.56090
0.39650
0.18100
0.3792
0.10480
0
12
19.170
24.80
132.40
1123.0
0.09740
0.24580
0.206500
0.111800
0.2397
0.07800
...
29.94
151.70
1332.0
0.10370
0.39030
0.36390
0.17670
0.3176
0.10230
0
13
15.850
23.95
103.70
782.7
0.08401
0.10020
0.099380
0.053640
0.1847
0.05338
...
27.66
112.00
876.5
0.11310
0.19240
0.23220
0.11190
0.2809
0.06287
0
14
13.730
22.61
93.60
578.3
0.11310
0.22930
0.212800
0.080250
0.2069
0.07682
...
32.01
108.80
697.7
0.16510
0.77250
0.69430
0.22080
0.3596
0.14310
0
15
14.540
27.54
96.73
658.8
0.11390
0.15950
0.163900
0.073640
0.2303
0.07077
...
37.13
124.10
943.2
0.16780
0.65770
0.70260
0.17120
0.4218
0.13410
0
16
14.680
20.13
94.74
684.5
0.09867
0.07200
0.073950
0.052590
0.1586
0.05922
...
30.88
123.40
1138.0
0.14640
0.18710
0.29140
0.16090
0.3029
0.08216
0
17
16.130
20.68
108.10
798.8
0.11700
0.20220
0.172200
0.102800
0.2164
0.07356
...
31.48
136.80
1315.0
0.17890
0.42330
0.47840
0.20730
0.3706
0.11420
0
18
19.810
22.15
130.00
1260.0
0.09831
0.10270
0.147900
0.094980
0.1582
0.05395
...
30.88
186.80
2398.0
0.15120
0.31500
0.53720
0.23880
0.2768
0.07615
0
19
13.540
14.36
87.46
566.3
0.09779
0.08129
0.066640
0.047810
0.1885
0.05766
...
19.26
99.70
711.2
0.14400
0.17730
0.23900
0.12880
0.2977
0.07259
1
20
13.080
15.71
85.63
520.0
0.10750
0.12700
0.045680
0.031100
0.1967
0.06811
...
20.49
96.09
630.5
0.13120
0.27760
0.18900
0.07283
0.3184
0.08183
1
21
9.504
12.44
60.34
273.9
0.10240
0.06492
0.029560
0.020760
0.1815
0.06905
...
15.66
65.13
314.9
0.13240
0.11480
0.08867
0.06227
0.2450
0.07773
1
22
15.340
14.26
102.50
704.4
0.10730
0.21350
0.207700
0.097560
0.2521
0.07032
...
19.08
125.10
980.9
0.13900
0.59540
0.63050
0.23930
0.4667
0.09946
0
23
21.160
23.04
137.20
1404.0
0.09428
0.10220
0.109700
0.086320
0.1769
0.05278
...
35.59
188.00
2615.0
0.14010
0.26000
0.31550
0.20090
0.2822
0.07526
0
24
16.650
21.38
110.00
904.6
0.11210
0.14570
0.152500
0.091700
0.1995
0.06330
...
31.56
177.00
2215.0
0.18050
0.35780
0.46950
0.20950
0.3613
0.09564
0
25
17.140
16.40
116.00
912.7
0.11860
0.22760
0.222900
0.140100
0.3040
0.07413
...
21.40
152.40
1461.0
0.15450
0.39490
0.38530
0.25500
0.4066
0.10590
0
26
14.580
21.53
97.41
644.8
0.10540
0.18680
0.142500
0.087830
0.2252
0.06924
...
33.21
122.40
896.9
0.15250
0.66430
0.55390
0.27010
0.4264
0.12750
0
27
18.610
20.25
122.10
1094.0
0.09440
0.10660
0.149000
0.077310
0.1697
0.05699
...
27.26
139.90
1403.0
0.13380
0.21170
0.34460
0.14900
0.2341
0.07421
0
28
15.300
25.27
102.40
732.4
0.10820
0.16970
0.168300
0.087510
0.1926
0.06540
...
36.71
149.30
1269.0
0.16410
0.61100
0.63350
0.20240
0.4027
0.09876
0
29
17.570
15.05
115.00
955.1
0.09847
0.11570
0.098750
0.079530
0.1739
0.06149
...
19.52
134.90
1227.0
0.12550
0.28120
0.24890
0.14560
0.2756
0.07919
0
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
539
7.691
25.44
48.34
170.4
0.08668
0.11990
0.092520
0.013640
0.2037
0.07751
...
31.89
54.49
223.6
0.15960
0.30640
0.33930
0.05000
0.2790
0.10660
1
540
11.540
14.44
74.65
402.9
0.09984
0.11200
0.067370
0.025940
0.1818
0.06782
...
19.68
78.78
457.8
0.13450
0.21180
0.17970
0.06918
0.2329
0.08134
1
541
14.470
24.99
95.81
656.4
0.08837
0.12300
0.100900
0.038900
0.1872
0.06341
...
31.73
113.50
808.9
0.13400
0.42020
0.40400
0.12050
0.3187
0.10230
1
542
14.740
25.42
94.70
668.6
0.08275
0.07214
0.041050
0.030270
0.1840
0.05680
...
32.29
107.40
826.4
0.10600
0.13760
0.16110
0.10950
0.2722
0.06956
1
543
13.210
28.06
84.88
538.4
0.08671
0.06877
0.029870
0.032750
0.1628
0.05781
...
37.17
92.48
629.6
0.10720
0.13810
0.10620
0.07958
0.2473
0.06443
1
544
13.870
20.70
89.77
584.8
0.09578
0.10180
0.036880
0.023690
0.1620
0.06688
...
24.75
99.17
688.6
0.12640
0.20370
0.13770
0.06845
0.2249
0.08492
1
545
13.620
23.23
87.19
573.2
0.09246
0.06747
0.029740
0.024430
0.1664
0.05801
...
29.09
97.58
729.8
0.12160
0.15170
0.10490
0.07174
0.2642
0.06953
1
546
10.320
16.35
65.31
324.9
0.09434
0.04994
0.010120
0.005495
0.1885
0.06201
...
21.77
71.12
384.9
0.12850
0.08842
0.04384
0.02381
0.2681
0.07399
1
547
10.260
16.58
65.85
320.8
0.08877
0.08066
0.043580
0.024380
0.1669
0.06714
...
22.04
71.08
357.4
0.14610
0.22460
0.17830
0.08333
0.2691
0.09479
1
548
9.683
19.34
61.05
285.7
0.08491
0.05030
0.023370
0.009615
0.1580
0.06235
...
25.59
69.10
364.2
0.11990
0.09546
0.09350
0.03846
0.2552
0.07920
1
549
10.820
24.21
68.89
361.6
0.08192
0.06602
0.015480
0.008160
0.1976
0.06328
...
31.45
83.90
505.6
0.12040
0.16330
0.06194
0.03264
0.3059
0.07626
1
550
10.860
21.48
68.51
360.5
0.07431
0.04227
0.000000
0.000000
0.1661
0.05948
...
24.77
74.08
412.3
0.10010
0.07348
0.00000
0.00000
0.2458
0.06592
1
551
11.130
22.44
71.49
378.4
0.09566
0.08194
0.048240
0.022570
0.2030
0.06552
...
28.26
77.80
436.6
0.10870
0.17820
0.15640
0.06413
0.3169
0.08032
1
552
12.770
29.43
81.35
507.9
0.08276
0.04234
0.019970
0.014990
0.1539
0.05637
...
36.00
88.10
594.7
0.12340
0.10640
0.08653
0.06498
0.2407
0.06484
1
553
9.333
21.94
59.01
264.0
0.09240
0.05605
0.039960
0.012820
0.1692
0.06576
...
25.05
62.86
295.8
0.11030
0.08298
0.07993
0.02564
0.2435
0.07393
1
554
12.880
28.92
82.50
514.3
0.08123
0.05824
0.061950
0.023430
0.1566
0.05708
...
35.74
88.84
595.7
0.12270
0.16200
0.24390
0.06493
0.2372
0.07242
1
555
10.290
27.61
65.67
321.4
0.09030
0.07658
0.059990
0.027380
0.1593
0.06127
...
34.91
69.57
357.6
0.13840
0.17100
0.20000
0.09127
0.2226
0.08283
1
556
10.160
19.59
64.73
311.7
0.10030
0.07504
0.005025
0.011160
0.1791
0.06331
...
22.88
67.88
347.3
0.12650
0.12000
0.01005
0.02232
0.2262
0.06742
1
557
9.423
27.88
59.26
271.3
0.08123
0.04971
0.000000
0.000000
0.1742
0.06059
...
34.24
66.50
330.6
0.10730
0.07158
0.00000
0.00000
0.2475
0.06969
1
558
14.590
22.68
96.39
657.1
0.08473
0.13300
0.102900
0.037360
0.1454
0.06147
...
27.27
105.90
733.5
0.10260
0.31710
0.36620
0.11050
0.2258
0.08004
1
559
11.510
23.93
74.52
403.5
0.09261
0.10210
0.111200
0.041050
0.1388
0.06570
...
37.16
82.28
474.2
0.12980
0.25170
0.36300
0.09653
0.2112
0.08732
1
560
14.050
27.15
91.38
600.4
0.09929
0.11260
0.044620
0.043040
0.1537
0.06171
...
33.17
100.20
706.7
0.12410
0.22640
0.13260
0.10480
0.2250
0.08321
1
561
11.200
29.37
70.67
386.0
0.07449
0.03558
0.000000
0.000000
0.1060
0.05502
...
38.30
75.19
439.6
0.09267
0.05494
0.00000
0.00000
0.1566
0.05905
1
562
15.220
30.62
103.40
716.9
0.10480
0.20870
0.255000
0.094290
0.2128
0.07152
...
42.79
128.70
915.0
0.14170
0.79170
1.17000
0.23560
0.4089
0.14090
0
563
20.920
25.09
143.00
1347.0
0.10990
0.22360
0.317400
0.147400
0.2149
0.06879
...
29.41
179.10
1819.0
0.14070
0.41860
0.65990
0.25420
0.2929
0.09873
0
564
21.560
22.39
142.00
1479.0
0.11100
0.11590
0.243900
0.138900
0.1726
0.05623
...
26.40
166.10
2027.0
0.14100
0.21130
0.41070
0.22160
0.2060
0.07115
0
565
20.130
28.25
131.20
1261.0
0.09780
0.10340
0.144000
0.097910
0.1752
0.05533
...
38.25
155.00
1731.0
0.11660
0.19220
0.32150
0.16280
0.2572
0.06637
0
566
16.600
28.08
108.30
858.1
0.08455
0.10230
0.092510
0.053020
0.1590
0.05648
...
34.12
126.70
1124.0
0.11390
0.30940
0.34030
0.14180
0.2218
0.07820
0
567
20.600
29.33
140.10
1265.0
0.11780
0.27700
0.351400
0.152000
0.2397
0.07016
...
39.42
184.60
1821.0
0.16500
0.86810
0.93870
0.26500
0.4087
0.12400
0
568
7.760
24.54
47.92
181.0
0.05263
0.04362
0.000000
0.000000
0.1587
0.05884
...
30.37
59.16
268.6
0.08996
0.06444
0.00000
0.00000
0.2871
0.07039
1
569 rows × 31 columns
In [9]:
def answer_two():
cancerdf = answer_one()
malignant = (cancerdf['target']==0).sum()
benign = (cancerdf['target']==1).sum()
ans = [malignant, benign]
return ans
answer_two()
Out[9]:
[212, 357]
In [25]:
cancerdf = answer_one()
cancerdf.iloc[:, :-1]
Out[25]:
mean radius
mean texture
mean perimeter
mean area
mean smoothness
mean compactness
mean concavity
mean concave points
mean symmetry
mean fractal dimension
...
worst radius
worst texture
worst perimeter
worst area
worst smoothness
worst compactness
worst concavity
worst concave points
worst symmetry
worst fractal dimension
0
17.990
10.38
122.80
1001.0
0.11840
0.27760
0.300100
0.147100
0.2419
0.07871
...
25.380
17.33
184.60
2019.0
0.16220
0.66560
0.71190
0.26540
0.4601
0.11890
1
20.570
17.77
132.90
1326.0
0.08474
0.07864
0.086900
0.070170
0.1812
0.05667
...
24.990
23.41
158.80
1956.0
0.12380
0.18660
0.24160
0.18600
0.2750
0.08902
2
19.690
21.25
130.00
1203.0
0.10960
0.15990
0.197400
0.127900
0.2069
0.05999
...
23.570
25.53
152.50
1709.0
0.14440
0.42450
0.45040
0.24300
0.3613
0.08758
3
11.420
20.38
77.58
386.1
0.14250
0.28390
0.241400
0.105200
0.2597
0.09744
...
14.910
26.50
98.87
567.7
0.20980
0.86630
0.68690
0.25750
0.6638
0.17300
4
20.290
14.34
135.10
1297.0
0.10030
0.13280
0.198000
0.104300
0.1809
0.05883
...
22.540
16.67
152.20
1575.0
0.13740
0.20500
0.40000
0.16250
0.2364
0.07678
5
12.450
15.70
82.57
477.1
0.12780
0.17000
0.157800
0.080890
0.2087
0.07613
...
15.470
23.75
103.40
741.6
0.17910
0.52490
0.53550
0.17410
0.3985
0.12440
6
18.250
19.98
119.60
1040.0
0.09463
0.10900
0.112700
0.074000
0.1794
0.05742
...
22.880
27.66
153.20
1606.0
0.14420
0.25760
0.37840
0.19320
0.3063
0.08368
7
13.710
20.83
90.20
577.9
0.11890
0.16450
0.093660
0.059850
0.2196
0.07451
...
17.060
28.14
110.60
897.0
0.16540
0.36820
0.26780
0.15560
0.3196
0.11510
8
13.000
21.82
87.50
519.8
0.12730
0.19320
0.185900
0.093530
0.2350
0.07389
...
15.490
30.73
106.20
739.3
0.17030
0.54010
0.53900
0.20600
0.4378
0.10720
9
12.460
24.04
83.97
475.9
0.11860
0.23960
0.227300
0.085430
0.2030
0.08243
...
15.090
40.68
97.65
711.4
0.18530
1.05800
1.10500
0.22100
0.4366
0.20750
10
16.020
23.24
102.70
797.8
0.08206
0.06669
0.032990
0.033230
0.1528
0.05697
...
19.190
33.88
123.80
1150.0
0.11810
0.15510
0.14590
0.09975
0.2948
0.08452
11
15.780
17.89
103.60
781.0
0.09710
0.12920
0.099540
0.066060
0.1842
0.06082
...
20.420
27.28
136.50
1299.0
0.13960
0.56090
0.39650
0.18100
0.3792
0.10480
12
19.170
24.80
132.40
1123.0
0.09740
0.24580
0.206500
0.111800
0.2397
0.07800
...
20.960
29.94
151.70
1332.0
0.10370
0.39030
0.36390
0.17670
0.3176
0.10230
13
15.850
23.95
103.70
782.7
0.08401
0.10020
0.099380
0.053640
0.1847
0.05338
...
16.840
27.66
112.00
876.5
0.11310
0.19240
0.23220
0.11190
0.2809
0.06287
14
13.730
22.61
93.60
578.3
0.11310
0.22930
0.212800
0.080250
0.2069
0.07682
...
15.030
32.01
108.80
697.7
0.16510
0.77250
0.69430
0.22080
0.3596
0.14310
15
14.540
27.54
96.73
658.8
0.11390
0.15950
0.163900
0.073640
0.2303
0.07077
...
17.460
37.13
124.10
943.2
0.16780
0.65770
0.70260
0.17120
0.4218
0.13410
16
14.680
20.13
94.74
684.5
0.09867
0.07200
0.073950
0.052590
0.1586
0.05922
...
19.070
30.88
123.40
1138.0
0.14640
0.18710
0.29140
0.16090
0.3029
0.08216
17
16.130
20.68
108.10
798.8
0.11700
0.20220
0.172200
0.102800
0.2164
0.07356
...
20.960
31.48
136.80
1315.0
0.17890
0.42330
0.47840
0.20730
0.3706
0.11420
18
19.810
22.15
130.00
1260.0
0.09831
0.10270
0.147900
0.094980
0.1582
0.05395
...
27.320
30.88
186.80
2398.0
0.15120
0.31500
0.53720
0.23880
0.2768
0.07615
19
13.540
14.36
87.46
566.3
0.09779
0.08129
0.066640
0.047810
0.1885
0.05766
...
15.110
19.26
99.70
711.2
0.14400
0.17730
0.23900
0.12880
0.2977
0.07259
20
13.080
15.71
85.63
520.0
0.10750
0.12700
0.045680
0.031100
0.1967
0.06811
...
14.500
20.49
96.09
630.5
0.13120
0.27760
0.18900
0.07283
0.3184
0.08183
21
9.504
12.44
60.34
273.9
0.10240
0.06492
0.029560
0.020760
0.1815
0.06905
...
10.230
15.66
65.13
314.9
0.13240
0.11480
0.08867
0.06227
0.2450
0.07773
22
15.340
14.26
102.50
704.4
0.10730
0.21350
0.207700
0.097560
0.2521
0.07032
...
18.070
19.08
125.10
980.9
0.13900
0.59540
0.63050
0.23930
0.4667
0.09946
23
21.160
23.04
137.20
1404.0
0.09428
0.10220
0.109700
0.086320
0.1769
0.05278
...
29.170
35.59
188.00
2615.0
0.14010
0.26000
0.31550
0.20090
0.2822
0.07526
24
16.650
21.38
110.00
904.6
0.11210
0.14570
0.152500
0.091700
0.1995
0.06330
...
26.460
31.56
177.00
2215.0
0.18050
0.35780
0.46950
0.20950
0.3613
0.09564
25
17.140
16.40
116.00
912.7
0.11860
0.22760
0.222900
0.140100
0.3040
0.07413
...
22.250
21.40
152.40
1461.0
0.15450
0.39490
0.38530
0.25500
0.4066
0.10590
26
14.580
21.53
97.41
644.8
0.10540
0.18680
0.142500
0.087830
0.2252
0.06924
...
17.620
33.21
122.40
896.9
0.15250
0.66430
0.55390
0.27010
0.4264
0.12750
27
18.610
20.25
122.10
1094.0
0.09440
0.10660
0.149000
0.077310
0.1697
0.05699
...
21.310
27.26
139.90
1403.0
0.13380
0.21170
0.34460
0.14900
0.2341
0.07421
28
15.300
25.27
102.40
732.4
0.10820
0.16970
0.168300
0.087510
0.1926
0.06540
...
20.270
36.71
149.30
1269.0
0.16410
0.61100
0.63350
0.20240
0.4027
0.09876
29
17.570
15.05
115.00
955.1
0.09847
0.11570
0.098750
0.079530
0.1739
0.06149
...
20.010
19.52
134.90
1227.0
0.12550
0.28120
0.24890
0.14560
0.2756
0.07919
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
539
7.691
25.44
48.34
170.4
0.08668
0.11990
0.092520
0.013640
0.2037
0.07751
...
8.678
31.89
54.49
223.6
0.15960
0.30640
0.33930
0.05000
0.2790
0.10660
540
11.540
14.44
74.65
402.9
0.09984
0.11200
0.067370
0.025940
0.1818
0.06782
...
12.260
19.68
78.78
457.8
0.13450
0.21180
0.17970
0.06918
0.2329
0.08134
541
14.470
24.99
95.81
656.4
0.08837
0.12300
0.100900
0.038900
0.1872
0.06341
...
16.220
31.73
113.50
808.9
0.13400
0.42020
0.40400
0.12050
0.3187
0.10230
542
14.740
25.42
94.70
668.6
0.08275
0.07214
0.041050
0.030270
0.1840
0.05680
...
16.510
32.29
107.40
826.4
0.10600
0.13760
0.16110
0.10950
0.2722
0.06956
543
13.210
28.06
84.88
538.4
0.08671
0.06877
0.029870
0.032750
0.1628
0.05781
...
14.370
37.17
92.48
629.6
0.10720
0.13810
0.10620
0.07958
0.2473
0.06443
544
13.870
20.70
89.77
584.8
0.09578
0.10180
0.036880
0.023690
0.1620
0.06688
...
15.050
24.75
99.17
688.6
0.12640
0.20370
0.13770
0.06845
0.2249
0.08492
545
13.620
23.23
87.19
573.2
0.09246
0.06747
0.029740
0.024430
0.1664
0.05801
...
15.350
29.09
97.58
729.8
0.12160
0.15170
0.10490
0.07174
0.2642
0.06953
546
10.320
16.35
65.31
324.9
0.09434
0.04994
0.010120
0.005495
0.1885
0.06201
...
11.250
21.77
71.12
384.9
0.12850
0.08842
0.04384
0.02381
0.2681
0.07399
547
10.260
16.58
65.85
320.8
0.08877
0.08066
0.043580
0.024380
0.1669
0.06714
...
10.830
22.04
71.08
357.4
0.14610
0.22460
0.17830
0.08333
0.2691
0.09479
548
9.683
19.34
61.05
285.7
0.08491
0.05030
0.023370
0.009615
0.1580
0.06235
...
10.930
25.59
69.10
364.2
0.11990
0.09546
0.09350
0.03846
0.2552
0.07920
549
10.820
24.21
68.89
361.6
0.08192
0.06602
0.015480
0.008160
0.1976
0.06328
...
13.030
31.45
83.90
505.6
0.12040
0.16330
0.06194
0.03264
0.3059
0.07626
550
10.860
21.48
68.51
360.5
0.07431
0.04227
0.000000
0.000000
0.1661
0.05948
...
11.660
24.77
74.08
412.3
0.10010
0.07348
0.00000
0.00000
0.2458
0.06592
551
11.130
22.44
71.49
378.4
0.09566
0.08194
0.048240
0.022570
0.2030
0.06552
...
12.020
28.26
77.80
436.6
0.10870
0.17820
0.15640
0.06413
0.3169
0.08032
552
12.770
29.43
81.35
507.9
0.08276
0.04234
0.019970
0.014990
0.1539
0.05637
...
13.870
36.00
88.10
594.7
0.12340
0.10640
0.08653
0.06498
0.2407
0.06484
553
9.333
21.94
59.01
264.0
0.09240
0.05605
0.039960
0.012820
0.1692
0.06576
...
9.845
25.05
62.86
295.8
0.11030
0.08298
0.07993
0.02564
0.2435
0.07393
554
12.880
28.92
82.50
514.3
0.08123
0.05824
0.061950
0.023430
0.1566
0.05708
...
13.890
35.74
88.84
595.7
0.12270
0.16200
0.24390
0.06493
0.2372
0.07242
555
10.290
27.61
65.67
321.4
0.09030
0.07658
0.059990
0.027380
0.1593
0.06127
...
10.840
34.91
69.57
357.6
0.13840
0.17100
0.20000
0.09127
0.2226
0.08283
556
10.160
19.59
64.73
311.7
0.10030
0.07504
0.005025
0.011160
0.1791
0.06331
...
10.650
22.88
67.88
347.3
0.12650
0.12000
0.01005
0.02232
0.2262
0.06742
557
9.423
27.88
59.26
271.3
0.08123
0.04971
0.000000
0.000000
0.1742
0.06059
...
10.490
34.24
66.50
330.6
0.10730
0.07158
0.00000
0.00000
0.2475
0.06969
558
14.590
22.68
96.39
657.1
0.08473
0.13300
0.102900
0.037360
0.1454
0.06147
...
15.480
27.27
105.90
733.5
0.10260
0.31710
0.36620
0.11050
0.2258
0.08004
559
11.510
23.93
74.52
403.5
0.09261
0.10210
0.111200
0.041050
0.1388
0.06570
...
12.480
37.16
82.28
474.2
0.12980
0.25170
0.36300
0.09653
0.2112
0.08732
560
14.050
27.15
91.38
600.4
0.09929
0.11260
0.044620
0.043040
0.1537
0.06171
...
15.300
33.17
100.20
706.7
0.12410
0.22640
0.13260
0.10480
0.2250
0.08321
561
11.200
29.37
70.67
386.0
0.07449
0.03558
0.000000
0.000000
0.1060
0.05502
...
11.920
38.30
75.19
439.6
0.09267
0.05494
0.00000
0.00000
0.1566
0.05905
562
15.220
30.62
103.40
716.9
0.10480
0.20870
0.255000
0.094290
0.2128
0.07152
...
17.520
42.79
128.70
915.0
0.14170
0.79170
1.17000
0.23560
0.4089
0.14090
563
20.920
25.09
143.00
1347.0
0.10990
0.22360
0.317400
0.147400
0.2149
0.06879
...
24.290
29.41
179.10
1819.0
0.14070
0.41860
0.65990
0.25420
0.2929
0.09873
564
21.560
22.39
142.00
1479.0
0.11100
0.11590
0.243900
0.138900
0.1726
0.05623
...
25.450
26.40
166.10
2027.0
0.14100
0.21130
0.41070
0.22160
0.2060
0.07115
565
20.130
28.25
131.20
1261.0
0.09780
0.10340
0.144000
0.097910
0.1752
0.05533
...
23.690
38.25
155.00
1731.0
0.11660
0.19220
0.32150
0.16280
0.2572
0.06637
566
16.600
28.08
108.30
858.1
0.08455
0.10230
0.092510
0.053020
0.1590
0.05648
...
18.980
34.12
126.70
1124.0
0.11390
0.30940
0.34030
0.14180
0.2218
0.07820
567
20.600
29.33
140.10
1265.0
0.11780
0.27700
0.351400
0.152000
0.2397
0.07016
...
25.740
39.42
184.60
1821.0
0.16500
0.86810
0.93870
0.26500
0.4087
0.12400
568
7.760
24.54
47.92
181.0
0.05263
0.04362
0.000000
0.000000
0.1587
0.05884
...
9.456
30.37
59.16
268.6
0.08996
0.06444
0.00000
0.00000
0.2871
0.07039
569 rows × 30 columns
In [26]:
def answer_three():
cancerdf = answer_one()
X= cancerdf.iloc[:, :-1]
y= cancerdf['target']
return X, y
Using train_test_split, split X and y into training and test sets (X_train, X_test, y_train, and y_test).
Set the random number generator state to 0 using random_state=0 to make sure your results match the autograder!
This function should return a tuple of length 4: (X_train, X_test, y_train, y_test), where
X_train has shape (426, 30)X_test has shape (143, 30)y_train has shape (426,)y_test has shape (143,)
In [27]:
from sklearn.model_selection import train_test_split
def answer_four():
X, y = answer_three()
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25 , random_state=0)
return X_train, X_test, y_train, y_test
answer_four()
Out[27]:
( mean radius mean texture mean perimeter mean area mean smoothness \
293 11.850 17.46 75.54 432.7 0.08372
332 11.220 19.86 71.94 387.3 0.10540
565 20.130 28.25 131.20 1261.0 0.09780
278 13.590 17.84 86.24 572.3 0.07948
489 16.690 20.20 107.10 857.6 0.07497
346 12.060 18.90 76.66 445.3 0.08386
357 13.870 16.21 88.52 593.7 0.08743
355 12.560 19.07 81.92 485.8 0.08760
112 14.260 19.65 97.83 629.9 0.07837
68 9.029 17.33 58.79 250.5 0.10660
526 13.460 18.75 87.44 551.1 0.10750
206 9.876 17.27 62.92 295.4 0.10890
65 14.780 23.94 97.40 668.3 0.11720
437 14.040 15.98 89.78 611.2 0.08458
126 13.610 24.69 87.76 572.6 0.09258
429 12.720 17.67 80.98 501.3 0.07896
392 15.490 19.97 102.40 744.7 0.11600
343 19.680 21.68 129.90 1194.0 0.09797
334 12.300 19.02 77.88 464.4 0.08313
440 10.970 17.20 71.73 371.5 0.08915
441 17.270 25.42 112.40 928.8 0.08331
137 11.430 15.39 73.06 399.8 0.09639
230 17.050 19.08 113.40 895.0 0.11410
7 13.710 20.83 90.20 577.9 0.11890
408 17.990 20.66 117.80 991.7 0.10360
523 13.710 18.68 88.73 571.0 0.09916
361 13.300 21.57 85.24 546.1 0.08582
553 9.333 21.94 59.01 264.0 0.09240
478 11.490 14.59 73.99 404.9 0.10460
303 10.490 18.61 66.86 334.3 0.10680
.. ... ... ... ... ...
459 9.755 28.20 61.68 290.9 0.07984
510 11.740 14.69 76.31 426.0 0.08099
151 8.219 20.70 53.27 203.9 0.09405
244 19.400 23.50 129.10 1155.0 0.10270
543 13.210 28.06 84.88 538.4 0.08671
544 13.870 20.70 89.77 584.8 0.09578
265 20.730 31.12 135.70 1419.0 0.09469
288 11.260 19.96 73.72 394.1 0.08020
423 13.660 19.13 89.46 575.3 0.09057
147 14.950 18.77 97.84 689.5 0.08138
177 16.460 20.11 109.30 832.9 0.09831
99 14.420 19.77 94.48 642.5 0.09752
448 14.530 19.34 94.25 659.7 0.08388
431 12.400 17.68 81.47 467.8 0.10540
115 11.930 21.53 76.53 438.6 0.09768
72 17.200 24.52 114.20 929.4 0.10710
537 11.690 24.44 76.37 406.4 0.12360
174 10.660 15.15 67.49 349.6 0.08792
87 19.020 24.59 122.00 1076.0 0.09029
551 11.130 22.44 71.49 378.4 0.09566
486 14.640 16.85 94.21 666.0 0.08641
314 8.597 18.60 54.09 221.2 0.10740
396 13.510 18.89 88.10 558.1 0.10590
472 14.920 14.93 96.45 686.9 0.08098
70 18.940 21.31 123.60 1130.0 0.09009
277 18.810 19.98 120.90 1102.0 0.08923
9 12.460 24.04 83.97 475.9 0.11860
359 9.436 18.32 59.82 278.6 0.10090
192 9.720 18.22 60.73 288.1 0.06950
559 11.510 23.93 74.52 403.5 0.09261
mean compactness mean concavity mean concave points mean symmetry \
293 0.05642 0.026880 0.022800 0.1875
332 0.06779 0.005006 0.007583 0.1940
565 0.10340 0.144000 0.097910 0.1752
278 0.04052 0.019970 0.012380 0.1573
489 0.07112 0.036490 0.023070 0.1846
346 0.05794 0.007510 0.008488 0.1555
357 0.05492 0.015020 0.020880 0.1424
355 0.10380 0.103000 0.043910 0.1533
112 0.22330 0.300300 0.077980 0.1704
68 0.14130 0.313000 0.043750 0.2111
526 0.11380 0.042010 0.031520 0.1723
206 0.07232 0.017560 0.019520 0.1934
65 0.14790 0.126700 0.090290 0.1953
437 0.05895 0.035340 0.029440 0.1714
126 0.07862 0.052850 0.030850 0.1761
429 0.04522 0.014020 0.018350 0.1459
392 0.15620 0.189100 0.091130 0.1929
343 0.13390 0.186300 0.110300 0.2082
334 0.04202 0.007756 0.008535 0.1539
440 0.11130 0.094570 0.036130 0.1489
441 0.11090 0.120400 0.057360 0.1467
137 0.06889 0.035030 0.028750 0.1734
230 0.15720 0.191000 0.109000 0.2131
7 0.16450 0.093660 0.059850 0.2196
408 0.13040 0.120100 0.088240 0.1992
523 0.10700 0.053850 0.037830 0.1714
361 0.06373 0.033440 0.024240 0.1815
553 0.05605 0.039960 0.012820 0.1692
478 0.08228 0.053080 0.019690 0.1779
303 0.06678 0.022970 0.017800 0.1482
.. ... ... ... ...
459 0.04626 0.015410 0.010430 0.1621
510 0.09661 0.067260 0.026390 0.1499
151 0.13050 0.132100 0.021680 0.2222
244 0.15580 0.204900 0.088860 0.1978
543 0.06877 0.029870 0.032750 0.1628
544 0.10180 0.036880 0.023690 0.1620
265 0.11430 0.136700 0.086460 0.1769
288 0.11810 0.092740 0.055880 0.2595
423 0.11470 0.096570 0.048120 0.1848
147 0.11670 0.090500 0.035620 0.1744
177 0.15560 0.179300 0.088660 0.1794
99 0.11410 0.093880 0.058390 0.1879
448 0.07800 0.088170 0.029250 0.1473
431 0.13160 0.077410 0.027990 0.1811
115 0.07849 0.033280 0.020080 0.1688
72 0.18300 0.169200 0.079440 0.1927
537 0.15520 0.045150 0.045310 0.2131
174 0.04302 0.000000 0.000000 0.1928
87 0.12060 0.146800 0.082710 0.1953
551 0.08194 0.048240 0.022570 0.2030
486 0.06698 0.051920 0.027910 0.1409
314 0.05847 0.000000 0.000000 0.2163
396 0.11470 0.085800 0.053810 0.1806
472 0.08549 0.055390 0.032210 0.1687
70 0.10290 0.108000 0.079510 0.1582
277 0.05884 0.080200 0.058430 0.1550
9 0.23960 0.227300 0.085430 0.2030
359 0.05956 0.027100 0.014060 0.1506
192 0.02344 0.000000 0.000000 0.1653
559 0.10210 0.111200 0.041050 0.1388
mean fractal dimension ... worst radius \
293 0.05715 ... 13.060
332 0.06028 ... 11.980
565 0.05533 ... 23.690
278 0.05520 ... 15.500
489 0.05325 ... 19.180
346 0.06048 ... 13.640
357 0.05883 ... 15.110
355 0.06184 ... 13.370
112 0.07769 ... 15.300
68 0.08046 ... 10.310
526 0.06317 ... 15.350
206 0.06285 ... 10.420
65 0.06654 ... 17.310
437 0.05898 ... 15.660
126 0.06130 ... 16.890
429 0.05544 ... 13.820
392 0.06744 ... 21.200
343 0.05715 ... 22.750
334 0.05945 ... 13.350
440 0.06640 ... 12.360
441 0.05407 ... 20.380
137 0.05865 ... 12.320
230 0.06325 ... 19.590
7 0.07451 ... 17.060
408 0.06069 ... 21.080
523 0.06843 ... 15.110
361 0.05696 ... 14.200
553 0.06576 ... 9.845
478 0.06574 ... 12.400
303 0.06600 ... 11.060
.. ... ... ...
459 0.05952 ... 10.670
510 0.06758 ... 12.450
151 0.08261 ... 9.092
244 0.06000 ... 21.650
543 0.05781 ... 14.370
544 0.06688 ... 15.050
265 0.05674 ... 32.490
288 0.06233 ... 11.860
423 0.06181 ... 15.140
147 0.06493 ... 16.250
177 0.06323 ... 17.790
99 0.06390 ... 16.330
448 0.05746 ... 16.300
431 0.07102 ... 12.880
115 0.06194 ... 13.670
72 0.06487 ... 23.320
537 0.07405 ... 12.980
174 0.05975 ... 11.540
87 0.05629 ... 24.560
551 0.06552 ... 12.020
486 0.05355 ... 16.460
314 0.07359 ... 8.952
396 0.06079 ... 14.800
472 0.05669 ... 17.180
70 0.05461 ... 24.860
277 0.04996 ... 19.960
9 0.08243 ... 15.090
359 0.06959 ... 12.020
192 0.06447 ... 9.968
559 0.06570 ... 12.480
worst texture worst perimeter worst area worst smoothness \
293 25.75 84.35 517.8 0.13690
332 25.78 76.91 436.1 0.14240
565 38.25 155.00 1731.0 0.11660
278 26.10 98.91 739.1 0.10500
489 26.56 127.30 1084.0 0.10090
346 27.06 86.54 562.6 0.12890
357 25.58 96.74 694.4 0.11530
355 22.43 89.02 547.4 0.10960
112 23.73 107.00 709.0 0.08949
68 22.65 65.50 324.7 0.14820
526 25.16 101.90 719.8 0.16240
206 23.22 67.08 331.6 0.14150
65 33.39 114.60 925.1 0.16480
437 21.58 101.20 750.0 0.11950
126 35.64 113.20 848.7 0.14710
429 20.96 88.87 586.8 0.10680
392 29.41 142.10 1359.0 0.16810
343 34.66 157.60 1540.0 0.12180
334 28.46 84.53 544.3 0.12220
440 26.87 90.14 476.4 0.13910
441 35.46 132.80 1284.0 0.14360
137 22.02 79.93 462.0 0.11900
230 24.89 133.50 1189.0 0.17030
7 28.14 110.60 897.0 0.16540
408 25.41 138.10 1349.0 0.14820
523 25.63 99.43 701.9 0.14250
361 29.20 92.94 621.2 0.11400
553 25.05 62.86 295.8 0.11030
478 21.90 82.04 467.6 0.13520
303 24.54 70.76 375.4 0.14130
.. ... ... ... ...
459 36.92 68.03 349.9 0.11100
510 17.60 81.25 473.8 0.10730
151 29.72 58.08 249.8 0.16300
244 30.53 144.90 1417.0 0.14630
543 37.17 92.48 629.6 0.10720
544 24.75 99.17 688.6 0.12640
265 47.16 214.00 3432.0 0.14010
288 22.33 78.27 437.6 0.10280
423 25.50 101.40 708.8 0.11470
147 25.47 107.10 809.7 0.09970
177 28.45 123.50 981.2 0.14150
99 30.86 109.50 826.4 0.14310
448 28.39 108.10 830.5 0.10890
431 22.91 89.61 515.8 0.14500
115 26.15 87.54 583.0 0.15000
72 33.82 151.60 1681.0 0.15850
537 32.19 86.12 487.7 0.17680
174 19.20 73.20 408.3 0.10760
87 30.41 152.90 1623.0 0.12490
551 28.26 77.80 436.6 0.10870
486 25.44 106.00 831.0 0.11420
314 22.44 56.65 240.1 0.13470
396 27.20 97.33 675.2 0.14280
472 18.22 112.00 906.6 0.10650
70 26.58 165.90 1866.0 0.11930
277 24.30 129.00 1236.0 0.12430
9 40.68 97.65 711.4 0.18530
359 25.02 75.79 439.6 0.13330
192 20.83 62.25 303.8 0.07117
559 37.16 82.28 474.2 0.12980
worst compactness worst concavity worst concave points worst symmetry \
293 0.17580 0.13160 0.09140 0.3101
332 0.09669 0.01335 0.02022 0.3292
565 0.19220 0.32150 0.16280 0.2572
278 0.07622 0.10600 0.05185 0.2335
489 0.29200 0.24770 0.08737 0.4677
346 0.13520 0.04506 0.05093 0.2880
357 0.10080 0.05285 0.05556 0.2362
355 0.20020 0.23880 0.09265 0.2121
112 0.41930 0.67830 0.15050 0.2398
68 0.43650 1.25200 0.17500 0.4228
526 0.31240 0.26540 0.14270 0.3518
206 0.12470 0.06213 0.05588 0.2989
65 0.34160 0.30240 0.16140 0.3321
437 0.12520 0.11170 0.07453 0.2725
126 0.28840 0.37960 0.13290 0.3470
429 0.09605 0.03469 0.03612 0.2165
392 0.39130 0.55530 0.21210 0.3187
343 0.34580 0.47340 0.22550 0.4045
334 0.09052 0.03619 0.03983 0.2554
440 0.40820 0.47790 0.15550 0.2540
441 0.41220 0.50360 0.17390 0.2500
137 0.16480 0.13990 0.08476 0.2676
230 0.39340 0.50180 0.25430 0.3109
7 0.36820 0.26780 0.15560 0.3196
408 0.37350 0.33010 0.19740 0.3060
523 0.25660 0.19350 0.12840 0.2849
361 0.16670 0.12120 0.05614 0.2637
553 0.08298 0.07993 0.02564 0.2435
478 0.20100 0.25960 0.07431 0.2941
303 0.10440 0.08423 0.06528 0.2213
.. ... ... ... ...
459 0.11090 0.07190 0.04866 0.2321
510 0.27930 0.26900 0.10560 0.2604
151 0.43100 0.53810 0.07879 0.3322
244 0.29680 0.34580 0.15640 0.2920
543 0.13810 0.10620 0.07958 0.2473
544 0.20370 0.13770 0.06845 0.2249
265 0.26440 0.34420 0.16590 0.2868
288 0.18430 0.15460 0.09314 0.2955
423 0.31670 0.36600 0.14070 0.2744
147 0.25210 0.25000 0.08405 0.2852
177 0.46670 0.58620 0.20350 0.3054
99 0.30260 0.31940 0.15650 0.2718
448 0.26490 0.37790 0.09594 0.2471
431 0.26290 0.24030 0.07370 0.2556
115 0.23990 0.15030 0.07247 0.2438
72 0.73940 0.65660 0.18990 0.3313
537 0.32510 0.13950 0.13080 0.2803
174 0.06791 0.00000 0.00000 0.2710
87 0.32060 0.57550 0.19560 0.3956
551 0.17820 0.15640 0.06413 0.3169
486 0.20700 0.24370 0.07828 0.2455
314 0.07767 0.00000 0.00000 0.3142
396 0.25700 0.34380 0.14530 0.2666
472 0.27910 0.31510 0.11470 0.2688
70 0.23360 0.26870 0.17890 0.2551
277 0.11600 0.22100 0.12940 0.2567
9 1.05800 1.10500 0.22100 0.4366
359 0.10490 0.11440 0.05052 0.2454
192 0.02729 0.00000 0.00000 0.1909
559 0.25170 0.36300 0.09653 0.2112
worst fractal dimension
293 0.07007
332 0.06522
565 0.06637
278 0.06263
489 0.07623
346 0.08083
357 0.07113
355 0.07188
112 0.10820
68 0.11750
526 0.08665
206 0.07380
65 0.08911
437 0.07234
126 0.07900
429 0.06025
392 0.10190
343 0.07918
334 0.07207
440 0.09532
441 0.07944
137 0.06765
230 0.09061
7 0.11510
408 0.08503
523 0.09031
361 0.06658
553 0.07393
478 0.09180
303 0.07842
.. ...
459 0.07211
510 0.09879
151 0.14860
244 0.07614
543 0.06443
544 0.08492
265 0.08218
288 0.07009
423 0.08839
147 0.09218
177 0.09519
99 0.09353
448 0.07463
431 0.09359
115 0.08541
72 0.13390
537 0.09970
174 0.06164
87 0.09288
551 0.08032
486 0.06596
314 0.08116
396 0.07686
472 0.08273
70 0.06589
277 0.05737
9 0.20750
359 0.08136
192 0.06559
559 0.08732
[426 rows x 30 columns],
mean radius mean texture mean perimeter mean area mean smoothness \
512 13.400 20.52 88.64 556.7 0.11060
457 13.210 25.25 84.10 537.9 0.08791
439 14.020 15.66 89.59 606.5 0.07966
298 14.260 18.17 91.22 633.1 0.06576
37 13.030 18.42 82.61 523.8 0.08983
515 11.340 18.61 72.76 391.2 0.10490
382 12.050 22.72 78.75 447.8 0.06935
310 11.700 19.11 74.33 418.7 0.08814
538 7.729 25.49 47.98 178.8 0.08098
345 10.260 14.71 66.20 321.6 0.09882
421 14.690 13.98 98.22 656.1 0.10310
90 14.620 24.02 94.57 662.7 0.08974
412 9.397 21.68 59.75 268.8 0.07969
157 16.840 19.46 108.40 880.2 0.07445
89 14.640 15.24 95.77 651.9 0.11320
172 15.460 11.89 102.50 736.9 0.12570
318 9.042 18.90 60.07 244.5 0.09968
233 20.510 27.81 134.40 1319.0 0.09159
389 19.550 23.21 128.90 1174.0 0.10100
250 20.940 23.56 138.90 1364.0 0.10070
31 11.840 18.70 77.93 440.6 0.11090
283 16.240 18.77 108.80 805.1 0.10660
482 13.470 14.06 87.32 546.3 0.10710
211 11.840 18.94 75.51 428.0 0.08871
372 21.370 15.10 141.30 1386.0 0.10010
401 11.930 10.91 76.14 442.7 0.08872
159 10.900 12.96 68.69 366.8 0.07515
14 13.730 22.61 93.60 578.3 0.11310
364 13.400 16.95 85.48 552.4 0.07937
337 18.770 21.43 122.90 1092.0 0.09116
.. ... ... ... ... ...
500 15.040 16.74 98.73 689.4 0.09883
338 10.050 17.53 64.41 310.8 0.10070
427 10.800 21.98 68.79 359.9 0.08801
406 16.140 14.86 104.30 800.0 0.09495
96 12.180 17.84 77.79 451.1 0.10450
490 12.250 22.44 78.18 466.5 0.08192
384 13.280 13.72 85.79 541.8 0.08363
281 11.740 14.02 74.24 427.3 0.07813
325 12.670 17.30 81.25 489.9 0.10280
190 14.220 23.12 94.37 609.9 0.10750
380 11.270 12.96 73.16 386.3 0.12370
366 20.200 26.83 133.70 1234.0 0.09905
469 11.620 18.18 76.38 408.8 0.11750
225 14.340 13.47 92.51 641.2 0.09906
271 11.290 13.04 72.23 388.0 0.09834
547 10.260 16.58 65.85 320.8 0.08877
550 10.860 21.48 68.51 360.5 0.07431
492 18.010 20.56 118.40 1007.0 0.10010
185 10.080 15.11 63.76 317.5 0.09267
306 13.200 15.82 84.07 537.3 0.08511
208 13.110 22.54 87.02 529.4 0.10020
242 11.300 18.19 73.93 389.4 0.09592
313 11.540 10.72 73.73 409.1 0.08597
542 14.740 25.42 94.70 668.6 0.08275
514 15.050 19.07 97.26 701.9 0.09215
236 23.210 26.97 153.50 1670.0 0.09509
113 10.510 20.19 68.64 334.2 0.11220
527 12.340 12.27 78.94 468.5 0.09003
76 13.530 10.94 87.91 559.2 0.12910
162 19.590 18.15 130.70 1214.0 0.11200
mean compactness mean concavity mean concave points mean symmetry \
512 0.14690 0.144500 0.081720 0.2116
457 0.05205 0.027720 0.020680 0.1619
439 0.05581 0.020870 0.026520 0.1589
298 0.05220 0.024750 0.013740 0.1635
37 0.03766 0.025620 0.029230 0.1467
515 0.08499 0.043020 0.025940 0.1927
382 0.10730 0.079430 0.029780 0.1203
310 0.05253 0.015830 0.011480 0.1936
538 0.04878 0.000000 0.000000 0.1870
345 0.09159 0.035810 0.020370 0.1633
421 0.18360 0.145000 0.063000 0.2086
90 0.08606 0.031020 0.029570 0.1685
412 0.06053 0.037350 0.005128 0.1274
157 0.07223 0.051500 0.027710 0.1844
89 0.13390 0.099660 0.070640 0.2116
172 0.15550 0.203200 0.109700 0.1966
318 0.19720 0.197500 0.049080 0.2330
233 0.10740 0.155400 0.083400 0.1448
389 0.13180 0.185600 0.102100 0.1989
250 0.16060 0.271200 0.131000 0.2205
31 0.15160 0.121800 0.051820 0.2301
283 0.18020 0.194800 0.090520 0.1876
482 0.11550 0.057860 0.052660 0.1779
211 0.06900 0.026690 0.013930 0.1533
372 0.15150 0.193200 0.125500 0.1973
401 0.05242 0.026060 0.017960 0.1601
159 0.03718 0.003090 0.006588 0.1442
14 0.22930 0.212800 0.080250 0.2069
364 0.05696 0.021810 0.014730 0.1650
337 0.14020 0.106000 0.060900 0.1953
.. ... ... ... ...
500 0.13640 0.077210 0.061420 0.1668
338 0.07326 0.025110 0.017750 0.1890
427 0.05743 0.036140 0.014040 0.2016
406 0.08501 0.055000 0.045280 0.1735
96 0.07057 0.024900 0.029410 0.1900
490 0.05200 0.017140 0.012610 0.1544
384 0.08575 0.050770 0.028640 0.1617
281 0.04340 0.022450 0.027630 0.2101
325 0.07664 0.031930 0.021070 0.1707
190 0.24130 0.198100 0.066180 0.2384
380 0.11110 0.079000 0.055500 0.2018
366 0.16690 0.164100 0.126500 0.1875
469 0.14830 0.102000 0.055640 0.1957
225 0.07624 0.057240 0.046030 0.2075
271 0.07608 0.032650 0.027550 0.1769
547 0.08066 0.043580 0.024380 0.1669
550 0.04227 0.000000 0.000000 0.1661
492 0.12890 0.117000 0.077620 0.2116
185 0.04695 0.001597 0.002404 0.1703
306 0.05251 0.001461 0.003261 0.1632
208 0.14830 0.087050 0.051020 0.1850
242 0.13250 0.154800 0.028540 0.2054
313 0.05969 0.013670 0.008907 0.1833
542 0.07214 0.041050 0.030270 0.1840
514 0.08597 0.074860 0.043350 0.1561
236 0.16820 0.195000 0.123700 0.1909
113 0.13030 0.064760 0.030680 0.1922
527 0.06307 0.029580 0.026470 0.1689
76 0.10470 0.068770 0.065560 0.2403
162 0.16660 0.250800 0.128600 0.2027
mean fractal dimension ... worst radius \
512 0.07325 ... 16.410
457 0.05584 ... 14.350
439 0.05586 ... 14.910
298 0.05586 ... 16.220
37 0.05863 ... 13.300
515 0.06211 ... 12.470
382 0.06659 ... 12.570
310 0.06128 ... 12.610
538 0.07285 ... 9.077
345 0.07005 ... 10.880
421 0.07406 ... 16.460
90 0.05866 ... 16.110
412 0.06724 ... 9.965
157 0.05268 ... 18.220
89 0.06346 ... 16.340
172 0.07069 ... 18.790
318 0.08743 ... 10.060
233 0.05592 ... 24.470
389 0.05884 ... 20.820
250 0.05898 ... 25.580
31 0.07799 ... 16.820
283 0.06684 ... 18.550
482 0.06639 ... 14.830
211 0.06057 ... 13.300
372 0.06183 ... 22.690
401 0.05541 ... 13.800
159 0.05743 ... 12.360
14 0.07682 ... 15.030
364 0.05701 ... 14.730
337 0.06083 ... 24.540
.. ... ... ...
500 0.06869 ... 16.760
338 0.06331 ... 11.160
427 0.05977 ... 12.760
406 0.05875 ... 17.710
96 0.06635 ... 12.830
490 0.05976 ... 14.170
384 0.05594 ... 14.240
281 0.06113 ... 13.310
325 0.05984 ... 13.710
190 0.07542 ... 15.740
380 0.06914 ... 12.840
366 0.06020 ... 24.190
469 0.07255 ... 13.360
225 0.05448 ... 16.770
271 0.06270 ... 12.320
547 0.06714 ... 10.830
550 0.05948 ... 11.660
492 0.06077 ... 21.530
185 0.06048 ... 11.870
306 0.05894 ... 14.410
208 0.07310 ... 14.550
242 0.07669 ... 12.580
313 0.06100 ... 12.340
542 0.05680 ... 16.510
514 0.05915 ... 17.580
236 0.06309 ... 31.010
113 0.07782 ... 11.160
527 0.05808 ... 13.610
76 0.06641 ... 14.080
162 0.06082 ... 26.730
worst texture worst perimeter worst area worst smoothness \
512 29.66 113.30 844.4 0.15740
457 34.23 91.29 632.9 0.12890
439 19.31 96.53 688.9 0.10340
298 25.26 105.80 819.7 0.09445
37 22.81 84.46 545.9 0.09701
515 23.03 79.15 478.6 0.14830
382 28.71 87.36 488.4 0.08799
310 26.55 80.92 483.1 0.12230
538 30.92 57.17 248.0 0.12560
345 19.48 70.89 357.1 0.13600
421 18.34 114.10 809.2 0.13120
90 29.11 102.90 803.7 0.11150
412 27.99 66.61 301.0 0.10860
157 28.07 120.30 1032.0 0.08774
89 18.24 109.40 803.6 0.12770
172 17.04 125.00 1102.0 0.15310
318 23.40 68.62 297.1 0.12210
233 37.38 162.70 1872.0 0.12230
389 30.44 142.00 1313.0 0.12510
250 27.00 165.30 2010.0 0.12110
31 28.12 119.40 888.7 0.16370
283 25.09 126.90 1031.0 0.13650
482 18.32 94.94 660.2 0.13930
211 24.99 85.22 546.3 0.12800
372 21.84 152.10 1535.0 0.11920
401 20.14 87.64 589.5 0.13740
159 18.20 78.07 470.0 0.11710
14 32.01 108.80 697.7 0.16510
364 21.70 93.76 663.5 0.12130
337 34.37 161.10 1873.0 0.14980
.. ... ... ... ...
500 20.43 109.70 856.9 0.11350
338 26.84 71.98 384.0 0.14020
427 32.04 83.69 489.5 0.13030
406 19.58 115.90 947.9 0.12060
96 20.92 82.14 495.2 0.11400
490 31.99 92.74 622.9 0.12560
384 17.37 96.59 623.7 0.11660
281 18.26 84.70 533.7 0.10360
325 21.10 88.70 574.4 0.13840
190 37.18 106.40 762.4 0.15330
380 20.53 84.93 476.1 0.16100
366 33.81 160.00 1671.0 0.12780
469 25.40 88.14 528.1 0.17800
225 16.90 110.40 873.2 0.12970
271 16.18 78.27 457.5 0.13580
547 22.04 71.08 357.4 0.14610
550 24.77 74.08 412.3 0.10010
492 26.06 143.40 1426.0 0.13090
185 21.18 75.39 437.0 0.15210
306 20.45 92.00 636.9 0.11280
208 29.16 99.48 639.3 0.13490
242 27.96 87.16 472.9 0.13470
313 12.87 81.23 467.8 0.10920
542 32.29 107.40 826.4 0.10600
514 28.06 113.80 967.0 0.12460
236 34.51 206.00 2944.0 0.14810
113 22.75 72.62 374.4 0.13000
527 19.27 87.22 564.9 0.12920
76 12.49 91.36 605.5 0.14510
162 26.39 174.90 2232.0 0.14380
worst compactness worst concavity worst concave points worst symmetry \
512 0.38560 0.51060 0.20510 0.3585
457 0.10630 0.13900 0.06005 0.2444
439 0.10170 0.06260 0.08216 0.2136
298 0.21670 0.15650 0.07530 0.2636
37 0.04619 0.04833 0.05013 0.1987
515 0.15740 0.16240 0.08542 0.3060
382 0.32140 0.29120 0.10920 0.2191
310 0.10870 0.07915 0.05741 0.3487
538 0.08340 0.00000 0.00000 0.3058
345 0.16360 0.07162 0.04074 0.2434
421 0.36350 0.32190 0.11080 0.2827
90 0.17660 0.09189 0.06946 0.2522
412 0.18870 0.18680 0.02564 0.2376
157 0.17100 0.18820 0.08436 0.2527
89 0.30890 0.26040 0.13970 0.3151
172 0.35830 0.58300 0.18270 0.3216
318 0.37480 0.46090 0.11450 0.3135
233 0.27610 0.41460 0.15630 0.2437
389 0.24140 0.38290 0.18250 0.2576
250 0.31720 0.69910 0.21050 0.3126
31 0.57750 0.69560 0.15460 0.4761
283 0.47060 0.50260 0.17320 0.2770
482 0.24990 0.18480 0.13350 0.3227
211 0.18800 0.14710 0.06913 0.2535
372 0.28400 0.40240 0.19660 0.2730
401 0.15750 0.15140 0.06876 0.2460
159 0.08294 0.01854 0.03953 0.2738
14 0.77250 0.69430 0.22080 0.3596
364 0.16760 0.13640 0.06987 0.2741
337 0.48270 0.46340 0.20480 0.3679
.. ... ... ... ...
500 0.21760 0.18560 0.10180 0.2177
338 0.14020 0.10550 0.06499 0.2894
427 0.16960 0.19270 0.07485 0.2965
406 0.17220 0.23100 0.11290 0.2778
96 0.09358 0.04980 0.05882 0.2227
490 0.18040 0.12300 0.06335 0.3100
384 0.26850 0.28660 0.09173 0.2736
281 0.08500 0.06735 0.08290 0.3101
325 0.12120 0.10200 0.05602 0.2688
190 0.93270 0.84880 0.17720 0.5166
380 0.24290 0.22470 0.13180 0.3343
366 0.34160 0.37030 0.21520 0.3271
469 0.28780 0.31860 0.14160 0.2660
225 0.15250 0.16320 0.10870 0.3062
271 0.15070 0.12750 0.08750 0.2733
547 0.22460 0.17830 0.08333 0.2691
550 0.07348 0.00000 0.00000 0.2458
492 0.23270 0.25440 0.14890 0.3251
185 0.10190 0.00692 0.01042 0.2933
306 0.13460 0.01120 0.02500 0.2651
208 0.44020 0.31620 0.11260 0.4128
242 0.48480 0.74360 0.12180 0.3308
313 0.16260 0.08324 0.04715 0.3390
542 0.13760 0.16110 0.10950 0.2722
514 0.21010 0.28660 0.11200 0.2282
236 0.41260 0.58200 0.25930 0.3103
113 0.20490 0.12950 0.06136 0.2383
527 0.20740 0.17910 0.10700 0.3110
76 0.13790 0.08539 0.07407 0.2710
162 0.38460 0.68100 0.22470 0.3643
worst fractal dimension
512 0.11090
457 0.06788
439 0.06710
298 0.07676
37 0.06169
515 0.06783
382 0.09349
310 0.06958
538 0.09938
345 0.08488
421 0.09208
90 0.07246
412 0.09206
157 0.05972
89 0.08473
172 0.10100
318 0.10550
233 0.08328
389 0.07602
250 0.07849
31 0.14020
283 0.10630
482 0.09326
211 0.07993
372 0.08666
401 0.07262
159 0.07685
14 0.14310
364 0.07582
337 0.09870
.. ...
500 0.08549
338 0.07664
427 0.07662
406 0.07012
96 0.07376
490 0.08203
384 0.07320
281 0.06688
325 0.06888
190 0.14460
380 0.09215
366 0.07632
469 0.09270
225 0.06072
271 0.08022
547 0.09479
550 0.06592
492 0.07625
185 0.07697
306 0.08385
208 0.10760
242 0.12970
313 0.07434
542 0.06956
514 0.06954
236 0.08677
113 0.09026
527 0.07592
76 0.07191
162 0.09223
[143 rows x 30 columns],
293 1
332 1
565 0
278 1
489 0
346 1
357 1
355 1
112 1
68 1
526 1
206 1
65 0
437 1
126 0
429 1
392 0
343 0
334 1
440 1
441 0
137 1
230 0
7 0
408 0
523 1
361 1
553 1
478 1
303 1
..
459 1
510 1
151 1
244 0
543 1
544 1
265 0
288 1
423 1
147 1
177 0
99 0
448 1
431 1
115 1
72 0
537 1
174 1
87 0
551 1
486 1
314 1
396 1
472 1
70 0
277 0
9 0
359 1
192 1
559 1
Name: target, dtype: int32,
512 0
457 1
439 1
298 1
37 1
515 1
382 1
310 1
538 1
345 1
421 1
90 1
412 1
157 1
89 1
172 0
318 1
233 0
389 0
250 0
31 0
283 0
482 1
211 1
372 0
401 1
159 1
14 0
364 1
337 0
..
500 1
338 1
427 1
406 1
96 1
490 1
384 1
281 1
325 1
190 0
380 1
366 0
469 1
225 1
271 1
547 1
550 1
492 0
185 1
306 1
208 1
242 1
313 1
542 1
514 0
236 0
113 1
527 1
76 1
162 0
Name: target, dtype: int32)
In [ ]:
from sklearn.neighbors import KNeighborsClassifier
def answer_five():
X_train, X_test, y_train, y_test = answer_four()
# Your code here
return # Return your answer
Using your knn classifier, predict the class label using the mean value for each feature.
Hint: You can use cancerdf.mean()[:-1].values.reshape(1, -1) which gets the mean value for each feature, ignores the target column, and reshapes the data from 1 dimension to 2 (necessary for the precict method of KNeighborsClassifier).
This function should return a numpy array either array([ 0.]) or array([ 1.])
In [ ]:
def answer_six():
cancerdf = answer_one()
means = cancerdf.mean()[:-1].values.reshape(1, -1)
# Your code here
return # Return your answer
In [ ]:
def answer_seven():
X_train, X_test, y_train, y_test = answer_four()
knn = answer_five()
# Your code here
return # Return your answer
In [ ]:
def answer_eight():
X_train, X_test, y_train, y_test = answer_four()
knn = answer_five()
# Your code here
return # Return your answer
In [ ]:
def accuracy_plot():
import matplotlib.pyplot as plt
%matplotlib notebook
X_train, X_test, y_train, y_test = answer_four()
# Find the training and testing accuracies by target value (i.e. malignant, benign)
mal_train_X = X_train[y_train==0]
mal_train_y = y_train[y_train==0]
ben_train_X = X_train[y_train==1]
ben_train_y = y_train[y_train==1]
mal_test_X = X_test[y_test==0]
mal_test_y = y_test[y_test==0]
ben_test_X = X_test[y_test==1]
ben_test_y = y_test[y_test==1]
knn = answer_five()
scores = [knn.score(mal_train_X, mal_train_y), knn.score(ben_train_X, ben_train_y),
knn.score(mal_test_X, mal_test_y), knn.score(ben_test_X, ben_test_y)]
plt.figure()
# Plot the scores as a bar chart
bars = plt.bar(np.arange(4), scores, color=['#4c72b0','#4c72b0','#55a868','#55a868'])
# directly label the score onto the bars
for bar in bars:
height = bar.get_height()
plt.gca().text(bar.get_x() + bar.get_width()/2, height*.90, '{0:.{1}f}'.format(height, 2),
ha='center', color='w', fontsize=11)
# remove all the ticks (both axes), and tick labels on the Y axis
plt.tick_params(top='off', bottom='off', left='off', right='off', labelleft='off', labelbottom='on')
# remove the frame of the chart
for spine in plt.gca().spines.values():
spine.set_visible(False)
plt.xticks([0,1,2,3], ['Malignant\nTraining', 'Benign\nTraining', 'Malignant\nTest', 'Benign\nTest'], alpha=0.8);
plt.title('Training and Test Accuracies for Malignant and Benign Cells', alpha=0.8)
In [ ]:
# Uncomment the plotting function to see the visualization,
# Comment out the plotting function when submitting your notebook for grading
#accuracy_plot()
In [ ]:
Content source: atulsingh0/MachineLearning
Similar notebooks: