CommencezCommencez gratuitement

Score F-bêta

Le score F-bêta est une moyenne harmonique pondérée entre la précision et le rappel, et permet d'accorder un poids différent à la précision et au rappel. Il est probable que vous souhaitiez accorder plus d'importance à la précision qu'au rappel, ce qui peut se faire avec un beta plus faible entre 0 et 1. Dans cet exercice, vous calculerez la précision et le rappel d'un classifieur MLP ainsi que le score F-bêta en utilisant un beta = 0.5.

X_train, y_train, X_test, y_test sont disponibles dans votre espace de travail, et les variables explicatives ont déjà été normalisées. pandas sous pd et sklearn sont aussi disponibles. fbeta_score() de sklearn.metrics est également disponible.

Cette activité fait partie du cours

Prédire le CTR avec le Machine Learning en Python

Voir le cours

Instructions de l’exercice

  • Séparez les données en ensembles d'entraînement et de test.
  • Définissez un classifieur MLP, entraînez-le avec .fit() et prédisez avec .predict().
  • Utilisez les implémentations de sklearn pour obtenir les scores de précision, de rappel et les scores F-bêta.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Set up MLP classifier, train and predict
X_train, X_test, y_train, y_test = ____(
  ____, ____, test_size = .2, random_state = 0)
clf = ____(hidden_layer_sizes = (16, ), 
                    max_iter = 10, random_state = 0)
y_pred = clf.____(____, _____).____(X_test) 

# Evaluate precision and recall
prec = ____(y_test, ____, average = 'weighted')
recall = ____(y_test, ____, average = 'weighted')
fbeta = ____(y_test, ____, ____  = 0.5, average = 'weighted')
print("Precision: %s, Recall: %s, F-beta score: %s" %(prec, recall, fbeta))
Modifier et exécuter le code