Inizia subitoInizia gratis

Valutare precision e ROI

In questo esercizio, partirai da quello precedente per eseguire un MLPClassifier e confrontarlo con tre degli altri classifier usati in precedenza. Per ogni classifier, calcolerai la precision e il ROI implicito sulla spesa pubblicitaria. Come prima, abbiamo gli split di training e test per X e y come X_train, X_test per X e y_train, y_test per y, rispettivamente, e le feature sono già state standardizzate.

Questo esercizio fa parte del corso

Prevedere il CTR con il Machine Learning in Python

Visualizza corso

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# Create list of classifiers
names = ['Logistic Regression',  'Decision Tree',
         'Random Forest', 'Multi-Layer Perceptron']
clfs = [LogisticRegression(), 
        DecisionTreeClassifier(), RandomForestClassifier(), 
        MLPClassifier(hidden_layer_sizes = (5, ), max_iter = 40)]

# Fit each classifier and evaluate AUC of ROC curve 
for name, classifier in zip(names, clfs):
  classifier.____(____, ____)
  y_score = classifier.____(X_test)
  y_pred = classifier.____(X_test) 
  prec = ____(____, y_pred, average = 'weighted')
  print("Precision for %s: %s " %(name, prec))
Modifica ed esegui il codice