CommencerCommencer gratuitement

Évaluer la précision et le ROI

Dans cet exercice, vous poursuivez le travail du précédent en exécutant un MLPClassifier et en le comparant à trois autres classifieurs utilisés plus tôt. Pour chaque classifieur, vous calculerez la précision et le ROI implicite sur les dépenses publicitaires. Comme précédemment, nous disposons des jeux d’entraînement et de test pour X et y sous la forme X_train, X_test pour X et y_train, y_test pour y, et les variables explicatives ont déjà été standardisées.

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 list of classifiers
names = ['Logistic Regression',  'Decision Tree',
         'Random Forest', 'Multi-Layer Perceptron']
clfs = [LogisticRegression(), 
        DecisionTreeClassifier(), RandomForestClassifier(), 
        MLPClassifier(hidden_layer_sizes = (5, ), max_iter = 40)]

# Fit each classifier and evaluate AUC of ROC curve 
for name, classifier in zip(names, clfs):
  classifier.____(____, ____)
  y_score = classifier.____(X_test)
  y_pred = classifier.____(X_test) 
  prec = ____(____, y_pred, average = 'weighted')
  print("Precision for %s: %s " %(name, prec))
Modifier et exécuter le code