Metriken bei unausgeglichenen Klassen

Ein Klassenungleichgewicht kann die Leistung deines Modells in jedem Machine-Learning-Kontext beeinträchtigen. Das ist besonders relevant in einem Machine-Learning-Interview, wenn du gefragt wirst, was zu tun ist, wenn du einen Datensatz mit unausgeglichenen Klassen erhältst – manche Daten sind von Natur aus unausgeglichen, etwa bei Versicherungsbetrug.

In dieser Übung verwendest du sklearn, um ein Logit-Modell (logistische Regression) zu erstellen und die Konfusionsmatrix zusammen mit mehreren Evaluationsmetriken auszugeben. So bekommst du ein besseres Verständnis dafür, wie du ML-Modelle bei Datensätzen mit Klassenungleichgewicht interpretierst.

Erinnere dich an das Klassenungleichgewicht, das du zuvor in loan_data gesehen hast. Die Anzahl der Beobachtungen mit dem Kreditstatus Fully Paid übersteigt die mit Charged Off deutlich:

Class imbalance

Diese Übung ist Teil des Kurses

ML-Vorstellungsgespräche in Python üben

Kurs anzeigen

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Import
from sklearn.____ import ____
from sklearn.____ import ____, ____, ____, ____, _____

Code bearbeiten und ausführen