Scorer personalizzati nelle pipeline
Sei soddisfatto del miglioramento nella qualità del tuo codice, ma ti sei appena ricordato che in precedenza avevi dovuto usare una metrica di valutazione personalizzata per tenere conto del fatto che i falsi positivi costano di più alla tua startup rispetto ai falsi negativi. Vuoi quindi dotare la tua pipeline di scorer oltre all’accuracy, inclusi roc_auc_score(), f1_score() e la tua funzione di valutazione personalizzata. La pipeline della lezione precedente è disponibile come pipe, così come la griglia dei parametri params e i dati di training X_train, y_train. Hai anche confusion_matrix() per poter scrivere la tua metrica.
Questo esercizio fa parte del corso
Progettare workflow di Machine Learning in Python
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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).____)