Skorer kustom dalam pipeline
Anda bangga dengan peningkatan kualitas kode Anda, tetapi baru ingat bahwa sebelumnya Anda harus menggunakan metrik penilaian kustom karena false positive lebih mahal bagi startup Anda dibandingkan false negative. Karena itu, Anda ingin membekali pipeline Anda dengan skorer selain accuracy, termasuk roc_auc_score(), f1_score(), dan fungsi penilaian kustom Anda sendiri. Pipeline dari pelajaran sebelumnya tersedia sebagai pipe, begitu juga parameter grid sebagai params dan data pelatihan sebagai X_train, y_train. Anda juga memiliki confusion_matrix() untuk keperluan menulis metrik Anda sendiri.
Latihan ini adalah bagian dari kursus
Merancang Alur Kerja Machine Learning di Python
Latihan interaktif praktis
Cobalah latihan ini dengan menyelesaikan kode contoh berikut.
# Create a custom scorer
scorer = ____(roc_auc_score)
# Initialize the CV object
gs = GridSearchCV(pipe, param_grid=params, scoring=____)
# Fit it to the data and print the winning combination
print(gs.____(X_train, y_train).____)