शुरू करेंमुफ़्त में शुरू करें

सब कुछ एक साथ जोड़ना

आपकी एरिद्मिया डिटेक्शन स्टार्टअप में एक इंजीनियर जल्दी से आकर बताता है कि ओवरवेट उपयोगकर्ताओं के लिए ECG सेंसर में समस्या है। आप निर्णय लेते हैं कि जिन उदाहरणों में वज़न 80 से अधिक है, उनकी इन्फ्लुएंस 50% कम कर दी जाए। साथ ही बताया गया है कि क्योंकि आपकी स्टार्टअप फिटनेस मार्केट को टार्गेट कर रही है और कोई मेडिकल दावा नहीं करती, इसलिए किसी एथलीट को बेवजह डराना, एरिद्मिया का कोई संभावित केस मिस करने से अधिक महंगा पड़ता है। आप एक कस्टम लॉस बनाते हैं जिसमें हर "false alarm" एरिद्मिया का केस मिस करने से दस गुना अधिक महंगा गिना जाए। क्या ओवरवेट सब्जेक्ट्स का वेट घटाने से यह कस्टम लॉस बेहतर होता है? आपका प्रशिक्षण डेटा X_train, y_train और टेस्ट डेटा X_test, y_test पहले से लोड है, साथ ही confusion_matrix(), numpy के रूप में np, और DecisionTreeClassifier() भी प्रीलोडेड हैं।

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में मशीन लर्निंग वर्कफ़्लो डिज़ाइन करना

पाठ्यक्रम देखें

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Create a scorer assigning more cost to false positives
def my_scorer(y_test, y_est, cost_fp=10.0, cost_fn=1.0):
    tn, fp, fn, tp = ____
    return ____
कोड संपादित करें और चलाएँ