Alles samenbrengen
Een van de engineers in je startup voor hartritmestoornisdetectie stormt je kantoor binnen met de melding dat er een probleem is met de ECG-sensor bij zwaarlijvige gebruikers. Je besluit de invloed van voorbeelden met gewicht boven de 80 met 50% te verminderen. Je hoort ook dat, omdat je startup zich richt op de fitnessmarkt en geen medische claims maakt, het onnodig laten schrikken van een atleet kostbaarder is dan het missen van een mogelijke hartritmestoornis. Je besluit daarom een aangepaste loss te maken waarbij elke "false alarm" tien keer zwaarder weegt dan het missen van een geval van hartritmestoornis. Verbetert het omlaag wegen van zwaarlijvige proefpersonen deze aangepaste loss? Je trainingsgegevens X_train, y_train en testgegevens X_test, y_test zijn al geladen, net als confusion_matrix(), numpy als np, en DecisionTreeClassifier().
Deze oefening maakt deel uit van de cursus
Machine Learning-workflows ontwerpen in Python
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Create a scorer assigning more cost to false positives
def my_scorer(y_test, y_est, cost_fp=10.0, cost_fn=1.0):
tn, fp, fn, tp = ____
return ____