CommencerCommencer gratuitement

Mise en jambe : comparaison de modèles

Dans cet exercice, vous allez effectuer une comparaison de base des quatre catégories de résultats entre des MLP et des Random Forests à l’aide d’une matrice de confusion. Cela prépare l’analyse de l’ensemble des modèles vus dans le cours. Réaliser cet échauffement vous permettra de comparer et de contraster l’implémentation de ces modèles ainsi que leur évaluation pour la prédiction du CTR.

Dans l’espace de travail, nous avons les partitions d’entraînement et de test pour X et y : X_train, X_test pour X et y_train, y_test pour y. Rappelez-vous : X contient nos variables dérivées avec des informations sur l’utilisateur, l’appareil et le site, tandis que y contient la cible (si l’annonce a été cliquée). X a déjà été mis à l’échelle avec un StandardScaler(). Pour les futurs modèles de prédiction du CTR des annonces, la configuration sera analogue.

Cet exercice fait partie du cours

Prédire le CTR avec le Machine Learning en Python

Afficher le cours

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Create the list of models in the order below
names = ['Random Forest', 'Multi-Layer Perceptron']
classifiers = [RandomForestClassifier(), 
               ____(____ = (10, ),
                             ____ = 40)]

# Produce a confusion matrix for all classifiers
for name, classifier in zip(names, classifiers):
  print("Evaluating classifier: %s" %(name))
  classifier.fit(____, ____)
  y_pred = classifier.predict(____)
  conf_matrix = confusion_matrix(____, ____)
  print(conf_matrix)
Modifier et exécuter le code