शुरू करेंमुफ़्त में शुरू करें

कम्पटीशन मेट्रिक परिभाषित करें

Kaggle आपके सबमिशन का मूल्यांकन करने के लिए कम्पटीशन मेट्रिक का उपयोग करता है। इसके अलावा, आपको लोकल वैलिडेशन सेट पर अलग-अलग मॉडलों के प्रदर्शन को भी मापना होता है.

अभी के लिए, आपका लक्ष्य कुछ कम्पटीशन मेट्रिक्स को मैन्युअली विकसित करना है, अगर वे sklearn.metrics में उपलब्ध न हों.

खास तौर पर, आप परिभाषित करेंगे:

  • रिग्रेशन समस्या के लिए Mean Squared Error (MSE): $$MSE = \frac{1}{N}\sum_{i=1}^{N}{(y_i - \hat{y}_i)^2}$$

  • बाइनरी क्लासिफिकेशन समस्या के लिए Logarithmic Loss (LogLoss): $$LogLoss = -\frac{1}{N}\sum_{i=1}^{N}{(y_i\ln p_i + (1-y_i)\ln (1-p_i))}$$

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में Kaggle प्रतियोगिता जीतना

पाठ्यक्रम देखें

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

import numpy as np

# Import MSE from sklearn
from sklearn.metrics import mean_squared_error

# Define your own MSE function
def own_mse(y_true, y_pred):
  	# Raise differences to the power of 2
    squares = np.____(y_true - y_pred, 2)
    # Find mean over all observations
    err = np.____(squares)
    return err

print('Sklearn MSE: {:.5f}. '.format(mean_squared_error(y_regression_true, y_regression_pred)))
print('Your MSE: {:.5f}. '.format(own_mse(y_regression_true, y_regression_pred)))
कोड संपादित करें और चलाएँ