파이프라인에서 커스텀 스코어러 사용하기
코드 품질이 좋아져서 뿌듯하지만, 예전에 귀사의 스타트업에서는 거짓 양성(false positive)의 비용이 거짓 음성(false negative)보다 더 크기 때문에 커스텀 평가 지표를 사용해야 했다는 점을 떠올렸어요. 따라서 정확도 외에도 roc_auc_score(), f1_score(), 그리고 직접 만든 커스텀 평가 함수를 파이프라인에서 사용할 수 있도록 하고자 합니다. 이전 레슨의 파이프라인은 pipe, 파라미터 그리드는 params, 학습 데이터는 X_train, y_train으로 제공됩니다. 또한 직접 지표를 작성할 때 사용할 수 있도록 confusion_matrix()도 준비되어 있습니다.
이 연습은 강의의 일부입니다
Python으로 설계하는 Machine Learning 워크플로
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# 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).____)