Évaluateurs personnalisés dans les pipelines
Vous êtes fier de l'amélioration de la qualité de votre code, mais vous vous rappelez qu'auparavant vous deviez utiliser une mesure d'évaluation personnalisée, puisque les faux positifs coûtent plus cher à votre jeune pousse que les faux négatifs. Vous voulez donc doter votre pipeline d'évaluateurs autres que l'exactitude, notamment roc_auc_score(), f1_score() et votre propre fonction d'évaluation personnalisée. Le pipeline de la leçon précédente est disponible sous le nom pipe, la grille de paramètres sous params, et les données d'entraînement sous X_train, y_train. Vous avez aussi confusion_matrix() pour écrire votre propre mesure.
Cette activité fait partie du cours
Concevoir des flux de travail Machine Learning en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Create a custom scorer
scorer = ____(roc_auc_score)
# Initialize the CV object
gs = GridSearchCV(pipe, param_grid=params, scoring=____)
# Fit it to the data and print the winning combination
print(gs.____(X_train, y_train).____)