CommencezCommencez gratuitement

Évaluer quatre catégories

La matrice de confusion est l'outil le plus direct pour examiner les quatre catégories de résultats : vrais positifs (TP), faux positifs (FP), vrais négatifs (TN) et faux négatifs (FN). Dans cet exercice, vous utiliserez un classificateur d'arbre de décision standard DecisionTreeClassifier() de sklearn sur les données d'exemples de clics et calculerez la répartition des résultats selon ces quatre catégories.

Le module pandas est disponible sous pd dans votre espace de travail et le DataFrame d'exemple est chargé sous df. Les caractéristiques sont chargées dans X et la cible est chargée dans y pour utilisation. De plus, DecisionTreeClassifier de sklearn.tree est disponible.

Cette activité fait partie du cours

Prédire le CTR avec le Machine Learning en Python

Voir le cours

Instructions de l’exercice

  • Obtenez les jeux d'entraînement et de test pour X et y.
  • Définissez un classificateur à arbre de décision et produisez les prédictions y_pred en ajustant le modèle.
  • Utilisez la matrice de confusion pour obtenir les décomptes pour chaque catégorie de résultat, où 1 correspond à un positif (clic) et 0 à un négatif (aucun clic).
  • Par exemple : les vrais négatifs correspondent à [0,0] et les vrais positifs à [1,1].

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Set up classifier using training data to predict test data
X_train, X_test, y_train, y_test = ____(
  X, y, test_size = .2, random_state = 0)
clf = ____
y_pred = clf.____(X_train, y_train).____(X_test) 

# Define confusion matrix and four categories
conf_matrix = ____(y_test, y_pred)
tn = conf_matrix[____][____]
fp = conf_matrix[____][____]
fn = conf_matrix[____][____]
tp = conf_matrix[____][____]

print("TN: %s, FP: %s, FN: %s, TP: %s" %(tn, fp, fn, tp))
Modifier et exécuter le code