Začněte nyníZačněte zdarma

Vyhodnocení čtyř kategorií

Matice záměn je nejpřímočařejší nástroj pro zobrazení čtyř kategorií výsledků: skutečných pozitiv (TP), falešných pozitiv (FP), skutečných negativ (TN) a falešných negativ (FN). V tomto cvičení použiješ standardní klasifikátor rozhodovacího stromu DecisionTreeClassifier() z knihovny sklearn na vzorová data o kliknutích a spočítáš rozložení výsledků podle těchto čtyř kategorií.

Modul pandas je dostupný jako pd a vzorový DataFrame je načtený jako df. Příznaky jsou uloženy v X, cílová proměnná v y. K dispozici je také DecisionTreeClassifier z modulu sklearn.tree.

Toto cvičení je součástí kurzu

Předpovídání CTR pomocí Machine Learning v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Rozděl X a y na trénovací a testovací části.
  • Definuj klasifikátor rozhodovacího stromu, natrénuj model a vytvoř predikce y_pred.
  • Pomocí matice záměn zjisti počty výsledků pro každou kategorii, kde 1 označuje pozitivní příklad (kliknutí) a 0 negativní (nekliknutí).
  • Například: skutečné negativy jsou na pozici [0,0] a skutečné pozitivy na pozici [1,1].

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Set up classifier using training data to predict test data
X_train, X_test, y_train, y_test = ____(
  X, y, test_size = .2, random_state = 0)
clf = ____
y_pred = clf.____(X_train, y_train).____(X_test) 

# Define confusion matrix and four categories
conf_matrix = ____(y_test, y_pred)
tn = conf_matrix[____][____]
fp = conf_matrix[____][____]
fn = conf_matrix[____][____]
tp = conf_matrix[____][____]

print("TN: %s, FP: %s, FN: %s, TP: %s" %(tn, fp, fn, tp))
Upravit a spustit kód