Klassifikatorvergleich
Das ROI-Framework kann auf verschiedene Klassifikatoren angewendet werden, um zu sehen, wie höhere Precision und Recall zu höheren ROI-Werten führen. Beachte, dass der von dir erstellte Baseline-Klassifikator per Design einen Gesamtertrag und -kosten von 0 hat, da sowohl die True Positives tp als auch die False Positives fp 0 sind. In dieser Übung verwendest du das ROI-Framework, um eine logistische Regression mit einem Entscheidungsbaum-Klassifikator zu vergleichen.
X_train, y_train, X_test, y_test stehen dir in deiner Arbeitsumgebung zur Verfügung, ebenso pandas als pd und numpy als np. LogisticRegression() aus sklearn.linear_model ist ebenfalls verfügbar.
Diese Übung ist Teil des Kurses
CTR-Vorhersage mit Machine Learning in Python
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# 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))