Encore des matrices de confusion

Créer une matrice de confusion en Python est simple. Le principal défi est de bien comprendre son orientation. Cet exercice vérifie que vous maîtrisez l’implémentation des matrices de confusion dans sklearn. Ici, vous avez entraîné un modèle de forêt aléatoire rfc sur le jeu de données tic_tac_toe pour prédire les issues 0 (défaite) ou 1 (victoire) pour le Joueur Un.

Remarque : si vous consultez des ressources sur les matrices de confusion pour un autre site ou un autre langage de programmation, l’ordre des valeurs peut être inversé.

Cet exercice fait partie du cours

<cours>Validation des modèles en Python</cours>

Instructions de l’exercice

Importez la fonction de sklearn pour créer des matrices de confusion.
En utilisant le modèle rfc, générez des prédictions de catégories sur l’ensemble de test X_test.
Créez une matrice de confusion avec sklearn.
Affichez la valeur de cm qui correspond aux 1 réels prédits comme 1 (vrais positifs).

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

from sklearn.metrics import ____

# Create predictions
test_predictions = rfc.____(____)

# Create and print the confusion matrix
cm = ____(____, ____)
print(cm)

# Print the true positives (actual 1s that were predicted 1s)
print("The number of true positives is: {}".format(cm[____, ____]))

Modifier et exécuter le code

Cet exercice fait partie du cours

<cours>Validation des modèles en Python</cours>

IntermédiaireNiveau de compétence

4.9+

Commencer le cours gratuitement

Before we can validate models, we need an understanding of how to create and work with them. This chapter provides an introduction to running regression and classification models in scikit-learn. We will use this model building foundation throughout the remaining chapters.

Exercise 1: Introduction to model validation Exercise 2: Modeling steps Exercise 3: Seen vs. unseen data Exercise 4: Regression models Exercise 5: Set parameters and fit a model Exercise 6: Feature importances Exercise 7: Classification models Exercise 8: Classification predictions Exercise 9: Reusing model parameters Exercise 10: Random forest classifier

This chapter focuses on the basics of model validation. From splitting data into training, validation, and testing datasets, to creating an understanding of the bias-variance tradeoff, we build the foundation for the techniques of K-Fold and Leave-One-Out validation practiced in chapter three.

Exercise 1: Créer des jeux de données d’entraînement, de test et de validation Exercise 2: Créer un jeu de validation simple (holdout)Exercise 3: Créer deux ensembles de contrôle Exercise 4: Pourquoi utiliser des jeux de maintien (holdout)Exercise 5: Mesures de performance : modèles de régression Exercise 6: Erreur absolue moyenne Exercise 7: Erreur quadratique moyenne Exercise 8: Performances sur des sous-ensembles de données Exercise 9: Mesures de classification Exercise 10: Matrices de confusion Exercise 11: Encore des matrices de confusion

Exercice actuel

Exercise 12: Précision vs. rappel Exercise 13: Le compromis biais-variance Exercise 14: Erreur due à l’underfitting/overfitting Exercise 15: Suis-je en sous-apprentissage ?

Holdout sets are a great start to model validation. However, using a single train and test set if often not enough. Cross-validation is considered the gold standard when it comes to validating model performance and is almost always used when tuning model hyper-parameters. This chapter focuses on performing cross-validation to validate model performance.

Exercise 1: The problems with holdout sets Exercise 2: Two samples Exercise 3: Potential problems Exercise 4: Cross-validation Exercise 5: scikit-learn's KFold()Exercise 6: Using KFold indices Exercise 7: sklearn's cross_val_score()Exercise 8: scikit-learn's methods Exercise 9: Implement cross_val_score()Exercise 10: Leave-one-out-cross-validation (LOOCV)Exercise 11: When to use LOOCV Exercise 12: Leave-one-out-cross-validation

The first three chapters focused on model validation techniques. In chapter 4 we apply these techniques, specifically cross-validation, while learning about hyperparameter tuning. After all, model validation makes tuning possible and helps us select the overall best model.

Exercise 1: Introduction to hyperparameter tuning Exercise 2: Creating Hyperparameters Exercise 3: Running a model using ranges Exercise 4: RandomizedSearchCV Exercise 5: Preparing for RandomizedSearch Exercise 6: Implementing RandomizedSearchCV Exercise 7: Selecting your final model Exercise 8: Best classification accuracy Exercise 9: Selecting the best precision model Exercise 10: Course completed!