Začněte nyníZačněte zdarma

Precision vs. recall

Metriky přesnosti, které používáš k vyhodnocení modelu, by vždy měly odpovídat konkrétnímu použití. V tomto příkladu předpokládejme, že jsi při hraní piškvorek velmi špatný/á prohrávající — ale jen tehdy, když si jsi vítězstvím jistý/á.

Vyber nejvhodnější metriku přesnosti — precision nebo recall — a dokonči příklad. Pamatuj: pokud si myslíš, že vyhraješ, musíš skutečně vyhrát!

Použij rfc, což je model klasifikace náhodného lesa postavený na datasetu tic_tac_toe.

Toto cvičení je součástí kurzu

Validace modelů v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Naimportuj metriku precision nebo recall z sklearn. Pro daný kontext je správná pouze jedna metoda.
  • Vypočítej precision nebo recall pomocí y_test pro skutečné hodnoty a test_predictions pro předpovědi.
  • Vypiš výsledné skóre na základě zvolené metriky.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

from sklearn.metrics import ____

test_predictions = rfc.predict(X_test)

# Create precision or recall score based on the metric you imported
score = ____(____, ____)

# Print the final result
print("The ____ value is {0:.2f}".format(____))
Upravit a spustit kód