Aan de slagBegin gratis

Drempelwaarden aanpassen

In de video zag je hoe NannyML drempelwaarden berekent en leerde je hoe je die kunt aanpassen aan jouw oplossing.

In deze oefening definieer je twee aangepaste standaarddeviatie- en constante drempelwaarden en pas je die toe op de resultaten van het CBPE-algoritme voor de US Census-gegevensset.

De referentie- en analysegroepen zijn vooraf geladen als reference en analysis, samen met de nannyml-bibliotheek.

Deze oefening maakt deel uit van de cursus

Monitoring Machine Learning in Python

Bekijk cursus

Oefeninstructies

  • Importeer ConstantThreshold en StandardDeviationThreshold uit nannyml.thresholds.
  • Initialiseer de standaarddeviatiemethode en stel de parameters std_lower_multiplier en std_upper_multiplier in op 2.
  • Initialiseer de constante drempelmethode en stel de parameter lower in op 0.9 en upper op 0.98.
  • Geef de constante drempelmethode voor de metriek f1 en de standaarddeviatiemethode voor accuracy door aan het CBPE-algoritme.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# Import custom thresholds
from ____.____ import ____, ____

# Initialize custom thresholds
stdt = ____(____=____, ____=____)
ct = ____(____=____, ____=____)

# Initialize the CBPE algorithm
estimator = nannyml.CBPE(
    problem_type='classification_binary',
    y_pred_proba='predicted_probability',
    y_pred='prediction',
    y_true='employed',
    metrics=['roc_auc', 'accuracy', 'f1'],
    thresholds={____: ____, ____: ____})
Code bewerken en uitvoeren