Náhodný model

V tomto cvičení si znovu sestrojíš základní linii křivky kumulativních zisků – tedy křivku kumulativních zisků náhodného modelu.

K tomu potřebuješ vytvořit náhodné predikce. Metoda plot_cumulative_gain vyžaduje pro každou predikci dvě hodnoty: jednu pro případ, kdy je cíl 0, a jednu pro případ, kdy je cíl 1. Tyto hodnoty musí dát dohromady součet 1, takže platný seznam predikcí může vypadat například takto: [(0.02,0.98),(0.27,0.73),...,(0.09,0.91)].

V Pythonu můžeš vygenerovat náhodnou hodnotu mezi hodnotami a a b takto:

import random
random_value = random.uniform(a,b)

Toto cvičení je součástí kurzu

Introduction to Predictive Analytics in Python

Zobrazit kurz

Pokyny k cvičení

Importuj moduly random, matplotlib a scikitplot.
Vytvoř seznam random_predictions obsahující náhodná čísla mezi 0 a 1.
Uprav seznam random_predictions tak, aby obsahoval tuples (r,a), kde r je původní hodnota ze seznamu a a je taková hodnota, aby platilo \(r+a=1\).
Skutečné hodnoty cílové proměnné jsou v targets_test. Zobraz graf kumulativních zisků svého náhodného modelu.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import the modules
import ____
import ____ as plt
import ____ as skplt

# Generate random predictions
random_predictions = [random.uniform(____,____) for _ in range(len(targets_test))]

# Adjust random predictions
random_predictions = [(r, ____ - ____) for r in random_predictions]

# Plot the cumulative gains graph
skplt.metrics.plot_cumulative_gain(targets_test, ____)
plt.show()

Upravit a spustit kód