शुरू करेंमुफ़्त में शुरू करें

कुल स्कोरिंग

ध्यान रखें कि precision और recall को अलग-अलग वज़न दिया जा सकता है, इसलिए F-beta स्कोर एक महत्वपूर्ण evaluation metric है. इसके अतिरिक्त, AUC कर्व का ROC precision और recall के लिए एक महत्वपूर्ण पूरक metric है, क्योंकि आपने पहले देखा कि ऐसा हो सकता है कि किसी मॉडल का AUC उच्च हो लेकिन precision कम हो. इस अभ्यास में, आप प्रत्येक क्लासिफायर के लिए evaluation metrics का पूरा सेट निकालेंगे.

एक print_estimator_name() फंक्शन दिया गया है जो प्रत्येक क्लासिफायर का नाम देगा. X_train, y_train, X_test, y_test आपके वर्कस्पेस में उपलब्ध हैं, और फीचर्स पहले से standardized हैं. pandas pd के रूप में और sklearn भी आपके वर्कस्पेस में उपलब्ध हैं.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Machine Learning के साथ CTR प्रेडिक्शन

पाठ्यक्रम देखें

अभ्यास निर्देश

  • 1 hidden layer, 10 hidden units और 50 max iterations वाला एक MLP क्लासिफायर परिभाषित करें.
  • प्रत्येक क्लासिफायर के लिए ट्रेन करें और प्रेडिक्ट करें.
  • precision, recall, F-beta स्कोर, और ROC का AUC स्कोर प्राप्त करने के लिए sklearn की implementations का उपयोग करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Create classifiers
clfs = [LogisticRegression(), DecisionTreeClassifier(), RandomForestClassifier(), 
        ____(____ = (10, ), ____ = 50)]

# Produce all evaluation metrics for each classifier
for clf in clfs:
  print("Evaluating classifier: %s" %(print_estimator_name(clf)))
  y_score = clf.fit(X_train, y_train).____(X_test)
  y_pred = clf.fit(X_train, y_train).____(X_test)
  prec = ____(y_test, y_pred, average = 'weighted')
  recall = ____(y_test, y_pred, average = 'weighted')
  fbeta = ____(y_test, y_pred, beta = 0.5, average = 'weighted')
  roc_auc = ____(y_test, y_score[:, 1])
  print("Precision: %s: Recall: %s, F-beta score: %s, AUC of ROC curve: %s" 
        %(prec, recall, fbeta, roc_auc))
कोड संपादित करें और चलाएँ