CommencezCommencez gratuitement

Évaluer la précision et le ROI

Dans cet exercice, vous reprenez l'exercice précédent pour exécuter un MLPClassifier et le comparer à trois autres classifieurs utilisés plus tôt. Pour chaque classifieur, vous calculerez la précision et le ROI implicite sur les dépenses publicitaires. Comme précédemment, 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, et les caractéristiques ont déjà été normalisées.

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 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))
Modifier et exécuter le code