CommencezCommencez gratuitement

Point de référence

Évaluer un classifieur par rapport à un point de référence approprié est important. C'est particulièrement vrai pour les jeux de données déséquilibrés, comme les clics sur des annonces, car on peut facilement obtenir une grande exactitude en choisissant toujours la classe majoritaire. Dans cet exercice, vous allez simuler un classifieur de base qui prédit toujours la classe majoritaire (aucun clic), puis examiner sa matrice de confusion ainsi que sa précision (precision) et son rappel (recall).

X_train, y_train, X_test, y_test sont disponibles dans votre espace de travail. pandas sous pd, numpy sous np et sklearn sont aussi disponibles dans votre espace de travail.

Cette activité fait partie du cours

Prédire le CTR avec le Machine Learning en Python

Voir le cours

Instructions de l’exercice

  • Créez y_pred, un tableau de zéros ayant la même longueur que X_test, en utilisant np.asarray().
  • Affichez la matrice de confusion obtenue.
  • Obtenez les scores de précision (precision) et de rappel (recall).

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Set up baseline predictions
y_pred = np.____([0 for x in range(len(X_test))])

# Look at confusion matrix
print("Confusion matrix: ")
print(____(y_test, y_pred))

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