LoslegenKostenlos loslegen

Bewertung von Precision und ROI

In dieser Übung baust du auf der vorherigen auf, führst einen MLPClassifier aus und vergleichst ihn mit drei der zuvor verwendeten Klassifikatoren. Für jeden Klassifikator berechnest du die Precision und den impliziten ROI auf die Werbeausgaben. Wie zuvor haben wir Trainings- und Testsplits für X und y als X_train, X_test für X sowie y_train, y_test für y, und die Features wurden bereits standardisiert.

Diese Übung ist Teil des Kurses

CTR-Vorhersage mit Machine Learning in Python

Kurs anzeigen

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Create list of classifiers
names = ['Logistic Regression',  'Decision Tree',
         'Random Forest', 'Multi-Layer Perceptron']
clfs = [LogisticRegression(), 
        DecisionTreeClassifier(), RandomForestClassifier(), 
        MLPClassifier(hidden_layer_sizes = (5, ), max_iter = 40)]

# Fit each classifier and evaluate AUC of ROC curve 
for name, classifier in zip(names, clfs):
  classifier.____(____, ____)
  y_score = classifier.____(X_test)
  y_pred = classifier.____(X_test) 
  prec = ____(____, y_pred, average = 'weighted')
  print("Precision for %s: %s " %(name, prec))
Code bearbeiten und ausführen