Comparaison de classifieurs
Le cadre de calcul du RSI peut être appliqué à différents classifieurs pour voir comment une précision et un rappel plus élevés mènent à des valeurs de RSI plus élevées. Notez que le classifieur de référence que vous avez créé aurait un rendement total et un coût de 0, puisque les vrais positifs tp et les faux positifs fp seront 0 par conception. Dans cet exercice, vous utiliserez le cadre du RSI pour comparer une régression logistique et un arbre de décision.
X_train, y_train, X_test, y_test sont disponibles dans votre espace de travail, ainsi que pandas sous pd et numpy sous np. LogisticRegression() de sklearn.linear_model est aussi disponible.
Cette activité fait partie du cours
Prédire le CTR avec le Machine Learning en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Create and fit classifier
clf = ____
y_pred = clf.____(X_train, y_train).____(X_test)
# Calculate total return, total spent, and ROI
r, cost = 0.2, 0.05
tn, fp, fn, tp = ____(y_test, y_pred).____
total_return = ____ * r
total_spent = (____ + ____) * cost
roi = total_return / total_spent
print("Total return: %s, Total spent: %s, ROI: %s" %(total_return, total_spent, roi))