Alles zusammenführen
Eine der Ingenieurinnen in deinem Startup zur Arrhythmie-Erkennung stürmt in dein Büro und meldet ein Problem mit dem EKG-Sensor bei übergewichtigen Nutzer:innen. Du entscheidest, den Einfluss von Beispielen mit einem Gewicht über 80 um 50 % zu reduzieren. Außerdem erfährst du, dass dein Startup den Fitnessmarkt adressiert und keine medizinischen Aussagen macht. Daher ist es teurer, eine Athletin oder einen Athleten unnötig zu verunsichern, als einen möglichen Arrhythmiefall zu übersehen. Du beschließt, eine benutzerdefinierte Loss-Funktion zu erstellen, bei der jeder „Fehlalarm“ zehnmal so viel kostet wie das Verpassen eines Arrhythmiefalls. Verbessert das Down-Weighting von Personen mit Übergewicht diese benutzerdefinierte Loss? Deine Trainingsdaten X_train, y_train und Testdaten X_test, y_test sind vorab geladen, ebenso confusion_matrix(), numpy als np und DecisionTreeClassifier().
Diese Übung ist Teil des Kurses
Machine-Learning-Workflows in Python entwerfen
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Create a scorer assigning more cost to false positives
def my_scorer(y_test, y_est, cost_fp=10.0, cost_fn=1.0):
tn, fp, fn, tp = ____
return ____