시작하기무료로 시작하기

F-beta 점수

F-beta 점수는 정밀도와 재현율의 가중 조화 평균으로, 두 지표에 서로 다른 가중치를 줄 때 사용해요. 예를 들어 정밀도를 재현율보다 더 중요하게 보고 싶다면 beta를 0과 1 사이의 작은 값으로 설정하면 돼요. 이 연습 문제에서는 beta = 0.5를 사용해 MLP 분류기의 정밀도, 재현율, 그리고 F-beta 점수를 계산해 보겠습니다.

X_train, y_train, X_test, y_test가 작업 공간에 준비되어 있고, 특성은 이미 표준화되어 있어요. pandas는 pd로, sklearn도 사용할 수 있어요. 또한 sklearn.metrics의 fbeta_score()도 사용할 수 있습니다.

이 연습은 강의의 일부입니다

Python으로 Machine Learning을 활용한 CTR 예측

강의 보기

연습 안내

  • 데이터를 학습용과 테스트용으로 분할하세요.
  • MLP 분류기를 정의하고 .fit()으로 학습한 뒤 .predict()로 예측하세요.
  • sklearn의 구현을 사용해 정밀도, 재현율, F-beta 점수를 구하세요.

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

# Set up MLP classifier, train and predict
X_train, X_test, y_train, y_test = ____(
  ____, ____, test_size = .2, random_state = 0)
clf = ____(hidden_layer_sizes = (16, ), 
                    max_iter = 10, random_state = 0)
y_pred = clf.____(____, _____).____(X_test) 

# Evaluate precision and recall
prec = ____(y_test, ____, average = 'weighted')
recall = ____(y_test, ____, average = 'weighted')
fbeta = ____(y_test, ____, ____  = 0.5, average = 'weighted')
print("Precision: %s, Recall: %s, F-beta score: %s" %(prec, recall, fbeta))
코드 편집 및 실행