Výchozí prahová hodnota
Chceš ověřit, že DecisionTreeClassifier() používá stejnou výchozí klasifikační prahovou hodnotu, jaká byla zmíněna v předchozí lekci, tedy 0,5. Přijde ti zvláštní, že by všechny klasifikátory měly používat stejný práh. Pojďme to zkontrolovat! K dispozici máš předem načtený natrénovaný klasifikátor clf a také trénovací a testovací data s jejich obvyklými názvy: X_train, X_test, y_train a y_test. Pravděpodobnostní skóre z klasifikátoru získáš pomocí metody .predict_proba().
Toto cvičení je součástí kurzu
Designing Machine Learning Workflows in Python
Pokyny k cvičení
- Pomocí předem načteného klasifikátoru
clfvypočítej skóre pro testovací příklady. - Teď z těchto skóre extrahuj štítky. Nezapomeň, že pro každý příklad máš dvojici skóre, nikoli jediné skóre — druhý prvek odpovídá pravděpodobnosti pozitivní třídy.
- Označ testovací data pomocí standardní metody
.predict(). - Nakonec porovnej výsledky s predikcemi, které jsi získal/a dříve. Jsou totožné?
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Score the test data using the given classifier
scores = clf.____(____)
# Get labels from the scores using the default threshold
preds = [s[____] > ____ for s in scores]
# Use the predict method to label the test data again
preds_default = clf.____(____)
# Compare the two sets of predictions
____(preds == preds_default)