Comparaison de classifieurs
Le cadre ROI peut être appliqué à différents classifieurs pour montrer comment une meilleure précision et un meilleur rappel conduisent à un ROI plus élevé. Notez que le classifieur de référence que vous avez créé aurait un retour total et un coût égaux à 0, puisque les vrais positifs tp et les faux positifs fp seront tous deux à 0 par conception. Dans cet exercice, vous allez utiliser ce cadre ROI pour comparer une régression logistique et un arbre de décision.
X_train, y_train, X_test, y_test sont disponibles dans votre environnement, ainsi que pandas sous pd et numpy sous np. LogisticRegression() de sklearn.linear_model est également disponible.
Cet exercice fait partie du cours
Prédire le CTR avec le Machine Learning en Python
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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))