CommencezCommencez gratuitement

Précision et rappel

La précision et le rappel sont liés aux quatre issues abordées dans la leçon précédente et constituent des mesures d'évaluation essentielles pour tout modèle de Machine Learning. Un modèle de CTR publicitaire devrait idéalement présenter une précision élevée (rendement des dépenses publicitaires élevé) et un bon rappel (ciblage d'auditoire pertinent). Même s'il est possible de calculer la précision et le rappel à la main, sklearn propose des fonctions pratiques que vous pouvez intégrer facilement à votre enchaînement de travail actuel. Dans cet exercice, vous allez configurer un arbre de décision et calculer la précision et le rappel.

Le module pandas est disponible sous pd dans votre environnement de travail et l'exemple de DataFrame est chargé dans df. Les caractéristiques sont chargées dans X et la cible dans y pour utilisation. De plus, precision_score() et recall_score() de sklearn.metrics sont disponibles.

Cette activité fait partie du cours

Prédire le CTR avec le Machine Learning en Python

Voir le cours

Instructions de l’exercice

  • Obtenez les partitions d'entraînement et de test pour X et y.
  • Définissez un classificateur par arbre de décision et produisez les prédictions y_pred en ajustant le modèle.
  • Utilisez les fonctions de sklearn pour obtenir les scores de précision et de rappel.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Set up training and testing split
X_train, X_test, y_train, y_test = ____(
  ____, ____, test_size = .2, random_state = 0)

# Create classifier and make predictions
clf = ____
y_pred = clf.____(____, _____).____(X_test) 

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