Začněte nyníZačněte zdarma

Úprava prahových hodnot

Ve videu jsi viděl/a, jak NannyML vypočítává prahové hodnoty, a naučil/a ses je přizpůsobovat vlastním potřebám.

V tomto cvičení je tvým úkolem definovat dvě vlastní prahové hodnoty – jednu na základě směrodatné odchylky a jednu konstantní – a pak je aplikovat na výsledky získané z algoritmu CBPE pro dataset US Census.

Referenční a analytická sada jsou předem načteny jako reference a analysis, spolu s knihovnou nannyml.

Toto cvičení je součástí kurzu

Monitoring Machine Learning in Python

Zobrazit kurz

Pokyny k cvičení

  • Importuj ConstantThreshold a StandardDeviationThreshold z nannyml.thresholds.
  • Inicializuj metodu směrodatné odchylky a nastav parametry std_lower_multiplier a std_upper_multiplier na hodnotu 2.
  • Inicializuj metodu konstantního prahu a nastav dolní parametr na 0.9 a horní na 0.98.
  • Předej konstantní prahovou metodu pro metriku f1 a metodu směrodatné odchylky pro accuracy algoritmu CBPE.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import custom thresholds
from ____.____ import ____, ____

# Initialize custom thresholds
stdt = ____(____=____, ____=____)
ct = ____(____=____, ____=____)

# Initialize the CBPE algorithm
estimator = nannyml.CBPE(
    problem_type='classification_binary',
    y_pred_proba='predicted_probability',
    y_pred='prediction',
    y_true='employed',
    metrics=['roc_auc', 'accuracy', 'f1'],
    thresholds={____: ____, ____: ____})
Upravit a spustit kód