Mettere tutto insieme
Un* ingegner* nella tua startup per il rilevamento delle aritmie entra di corsa nel tuo ufficio per avvisarti che c’è un problema con il sensore ECG per gli utenti in sovrappeso. Decidi di ridurre del 50% l’influenza degli esempi con peso superiore a 80. Ti viene anche detto che, dato che la tua startup punta al mercato del fitness e non fa affermazioni mediche, spaventare inutilmente un* atleta è più costoso che perdere un possibile caso di aritmia. Decidi quindi di creare una loss personalizzata che renda ogni "falso allarme" dieci volte più costoso di un caso di aritmia mancato. Ridurre il peso dei soggetti in sovrappeso migliora questa loss personalizzata? I tuoi dati di training X_train, y_train e i dati di test X_test, y_test sono già caricati, così come confusion_matrix(), numpy come np e DecisionTreeClassifier().
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 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 ____