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
<cours>Prédire le CTR avec le Machine Learning en Python</cours>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))