Porovnání klasifikátorů
Framework pro výpočet ROI lze spustit napříč různými klasifikátory a sledovat, jak vyšší přesnost (precision) a úplnost (recall) vedou k vyšším hodnotám ROI. Základní klasifikátor, který jsi vytvořil/a, by měl celkový výnos i náklady rovny 0, protože skutečně pozitivní výsledky tp i falešně pozitivní výsledky fp budou ze své podstaty nulové. V tomto cvičení použiješ framework ROI k porovnání logistické regrese a klasifikátoru rozhodovacího stromu.
V prostředí máš k dispozici X_train, y_train, X_test, y_test spolu s pandas jako pd a numpy jako np. K dispozici je také LogisticRegression() z sklearn.linear_model.
Toto cvičení je součástí kurzu
Předpovídání CTR pomocí Machine Learning v Pythonu
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Create and fit classifier
clf = ____
y_pred = clf.____(X_train, y_train).____(X_test)
# Calculate total return, total spent, and ROI
r, cost = 0.2, 0.05
tn, fp, fn, tp = ____(y_test, y_pred).____
total_return = ____ * r
total_spent = (____ + ____) * cost
roi = total_return / total_spent
print("Total return: %s, Total spent: %s, ROI: %s" %(total_return, total_spent, roi))