Mettre le tout ensemble
Une ou un ingénieur de votre jeune pousse en détection d'arythmie entre en coup de vent dans votre bureau pour vous annoncer un problème avec le capteur ECG chez les personnes ayant un excès de poids. Vous décidez de réduire de 50 % l'influence des exemples où le poids est supérieur à 80. On vous informe aussi que, comme votre jeune pousse vise le marché du conditionnement physique et ne fait aucune revendication médicale, effrayer inutilement une ou un athlète coûte plus cher que de manquer un cas possible d'arythmie. Vous décidez donc de créer une fonction de perte personnalisée où chaque « fausse alerte » coûte dix fois plus qu'un cas d'arythmie manqué. Le fait de diminuer le poids des personnes en surpoids améliore-t-il cette perte personnalisée ? Vos données d'entraînement X_train, y_train et vos données de test X_test, y_test sont déjà chargées, de même que confusion_matrix(), numpy sous np, et DecisionTreeClassifier().
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 scorer assigning more cost to false positives
def my_scorer(y_test, y_est, cost_fp=10.0, cost_fn=1.0):
tn, fp, fn, tp = ____
return ____