パイプラインでのカスタムスコアラー
コード品質の改善には満足していますが、以前、誤検知（偽陽性）のコストが偽陰性よりも高いという事情に合わせるため、カスタムの評価指標を使う必要があったことを思い出しました。そこで、accuracy 以外のスコアラー、例えば roc_auc_score()、f1_score()、そして独自のスコアリング関数をパイプラインに組み込みたいと考えています。前のレッスンのパイプラインは pipe、パラメータグリッドは params、学習データは X_train、y_train として利用可能です。独自の指標を作るために confusion_matrix() も使えます。
この演習はコースの一部です
Python で設計する Machine Learning ワークフロー
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# 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).____)