1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Předpovídání CTR pomocí Machine Learning v Pythonu
Connected

cvičení

Celkové hodnocení

Přesnost a úplnost mohou mít různou váhu, a proto je F-beta skóre důležitou evaluační metrikou. ROC křivka a plocha pod ní (AUC) jsou pak užitečným doplňkem k přesnosti a úplnosti – jak jsi viděl/a dříve, model může mít vysoké AUC, ale nízkou přesnost. V tomto cvičení vypočítáš úplnou sadu evaluačních metrik pro každý klasifikátor.

K dispozici máš funkci print_estimator_name(), která vrátí název každého klasifikátoru. V pracovním prostoru jsou dostupné proměnné X_train, y_train, X_test, y_test a příznaky jsou již standardizovány. Dostupné jsou také pandas jako pd a sklearn.

Pokyny

100 XP
  • Definuj MLP klasifikátor s jednou skrytou vrstvou o 10 neuronech a maximálně 50 iteracemi.
  • Natrénuj a proveď predikce pro každý klasifikátor.
  • Pomocí implementací z sklearn vypočítej přesnost, úplnost, F-beta skóre a AUC hodnotu ROC křivky.