EmpezarEmpieza gratis

Evaluar la precisión y el ROI

En este ejercicio, continuarás el trabajo del anterior: ejecutarás un MLPClassifier y lo compararás con otros tres clasificadores usados antes. Para cada clasificador, calcularás la precisión y el ROI implícito en la inversión publicitaria. Como antes, ya tienes las particiones de entrenamiento y prueba para X y y como X_train, X_test para X y y_train, y_test para y, respectivamente, y las variables ya han sido estandarizadas.

Este ejercicio forma parte del curso

Predicción del CTR con Machine Learning en Python

Ver curso

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# 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))
Editar y ejecutar código