LoslegenKostenlos loslegen

F-Beta-Score

Der F-Beta-Score ist ein gewichtetes harmonisches Mittel aus Precision und Recall und dient dazu, Precision und Recall unterschiedlich zu gewichten. Häufig ist es wichtiger, Precision höher zu gewichten als Recall; das erreichst du mit einem niedrigeren beta zwischen 0 und 1. In dieser Übung berechnest du die Precision und den Recall eines MLP-Klassifikators sowie den F-Beta-Score mit beta = 0.5.

X_train, y_train, X_test, y_test sind in deinem Workspace verfügbar, und die Features wurden bereits standardisiert. pandas als pd und sklearn sind ebenfalls verfügbar. fbeta_score() aus sklearn.metrics steht auch bereit.

Diese Übung ist Teil des Kurses

CTR-Vorhersage mit Machine Learning in Python

Kurs anzeigen

Anleitung zur Übung

  • Teile die Daten in Trainings- und Testdaten auf.
  • Definiere einen MLP-Klassifikator, trainiere mit .fit() und sage mit .predict() voraus.
  • Nutze Implementierungen aus sklearn, um Precision-, Recall- und F-Beta-Scores zu berechnen.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Set up MLP classifier, train and predict
X_train, X_test, y_train, y_test = ____(
  ____, ____, test_size = .2, random_state = 0)
clf = ____(hidden_layer_sizes = (16, ), 
                    max_iter = 10, random_state = 0)
y_pred = clf.____(____, _____).____(X_test) 

# Evaluate precision and recall
prec = ____(y_test, ____, average = 'weighted')
recall = ____(y_test, ____, average = 'weighted')
fbeta = ____(y_test, ____, ____  = 0.5, average = 'weighted')
print("Precision: %s, Recall: %s, F-beta score: %s" %(prec, recall, fbeta))
Code bearbeiten und ausführen