CommencezCommencez gratuitement

Mise en route : comparaison de modèles

Dans cet exercice, vous effectuerez une comparaison de base des quatre catégories d'issues entre les MLP et les forêts aléatoires à l'aide d'une matrice de confusion. Cela prépare l'analyse de tous les modèles que nous avons vus. Faire cet exercice d'échauffement vous permettra de comparer et de distinguer l'implantation de ces modèles et leur évaluation pour la prédiction du CTR.

Dans l'espace de travail, nous avons des partitions d'entraînement et de test pour X et y, soit X_train, X_test pour X et y_train, y_test pour y. Rappelez-vous que X contient nos caractéristiques conçues avec des renseignements sur l'utilisateur, l'appareil et le site, tandis que y contient la cible (si la pub a été cliquée). X a déjà été normalisé à l'aide de StandardScaler(). Pour les futurs modèles de prédiction du CTR des pubs, la configuration sera analogue.

Cette activité fait partie du cours

Prédire le CTR avec le Machine Learning en Python

Voir le cours

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Create the list of models in the order below
names = ['Random Forest', 'Multi-Layer Perceptron']
classifiers = [RandomForestClassifier(), 
               ____(____ = (10, ),
                             ____ = 40)]

# Produce a confusion matrix for all classifiers
for name, classifier in zip(names, classifiers):
  print("Evaluating classifier: %s" %(name))
  classifier.fit(____, ____)
  y_pred = classifier.predict(____)
  conf_matrix = confusion_matrix(____, ____)
  print(conf_matrix)
Modifier et exécuter le code