1. 学ぶ
    2. /
  2. コース
    3. /
  3. Python으로 설계하는 Machine Learning 워크플로
Connected

演習

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.

指示1 / 3

undefined XP
  • 1

    roc_auc_score() 지표를 스코어러로 변환한 뒤, 이를 GridSearchCV()에 전달하세요. 그런 다음 데이터에 맞춰 학습하세요.

  • 2

    이번에는 f1_score()로 제공되는 F1 점수에 대해 같은 작업을 반복하세요.

  • 3

    이제 간단한 Python 함수 my_metric()으로 제공되는 커스텀 지표로 동일한 과정을 반복하세요.