Vlastní skórovací funkce v pipeline
Jsi hrdý/á na zlepšení kvality svého kódu, ale právě sis vzpomněl/a, že dříve jsi musel/a používat vlastní skórovací metriku, protože falešně pozitivní výsledky jsou pro tvůj startup nákladnější než falešně negativní. Proto chceš svou pipeline vybavit jinými skórovacími funkcemi než jen přesností – konkrétně roc_auc_score(), f1_score() a vlastní skórovací funkcí. Pipeline z předchozí lekce je dostupná jako pipe, parametrická mřížka jako params a trénovací data jako X_train, y_train. K dispozici máš také confusion_matrix() pro účely psaní vlastní metriky.
Toto cvičení je součástí kurzu
Designing Machine Learning Workflows in Python
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Create a custom scorer
scorer = ____(roc_auc_score)
# Initialize the CV object
gs = GridSearchCV(pipe, param_grid=params, scoring=____)
# Fit it to the data and print the winning combination
print(gs.____(X_train, y_train).____)