Začněte nyníZačněte zdarma

F-beta skóre

F-beta skóre je vážený harmonický průměr přesnosti (precision) a odvolání (recall) a slouží k tomu, aby bylo možné jim přiřadit různou váhu. Často má smysl upřednostnit přesnost před odvoláním, čehož dosáhneme nižší hodnotou beta v rozsahu 0 až 1. V tomto cvičení vypočítáš přesnost a odvolání MLP klasifikátoru spolu s F-beta skóre při hodnotě beta = 0.5.

V tvém pracovním prostředí jsou k dispozici proměnné X_train, y_train, X_test, y_test a příznaky jsou již standardizovány. K dispozici jsou také pandas jako pd a sklearn. Z balíčku sklearn.metrics je dostupná i funkce fbeta_score().

Toto cvičení je součástí kurzu

Předpovídání CTR pomocí Machine Learning v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Rozděl data na trénovací a testovací sadu.
  • Definuj MLP klasifikátor, natrénuj ho pomocí .fit() a proveď predikce pomocí .predict().
  • Pomocí implementací z sklearn získej skóre přesnosti, odvolání a F-beta skóre.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Set up MLP classifier, train and predict
X_train, X_test, y_train, y_test = ____(
  ____, ____, test_size = .2, random_state = 0)
clf = ____(hidden_layer_sizes = (16, ), 
                    max_iter = 10, random_state = 0)
y_pred = clf.____(____, _____).____(X_test) 

# Evaluate precision and recall
prec = ____(y_test, ____, average = 'weighted')
recall = ____(y_test, ____, average = 'weighted')
fbeta = ____(y_test, ____, ____  = 0.5, average = 'weighted')
print("Precision: %s, Recall: %s, F-beta score: %s" %(prec, recall, fbeta))
Upravit a spustit kód