Precisie en ROI evalueren
In deze oefening bouw je voort op de vorige oefening: je voert een MLPClassifier uit en vergelijkt die met drie van de andere classifiers die je eerder hebt gebruikt. Voor elke classifier bereken je de precisie en de afgeleide ROI op advertentiebudget. Zoals eerder zijn er trainings- en test-splits voor X en y als X_train, X_test voor X en y_train, y_test voor y, en de features zijn al gestandaardiseerd.
Deze oefening maakt deel uit van de cursus
CTR voorspellen met Machine Learning in Python
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# Create list of classifiers
names = ['Logistic Regression', 'Decision Tree',
'Random Forest', 'Multi-Layer Perceptron']
clfs = [LogisticRegression(),
DecisionTreeClassifier(), RandomForestClassifier(),
MLPClassifier(hidden_layer_sizes = (5, ), max_iter = 40)]
# Fit each classifier and evaluate AUC of ROC curve
for name, classifier in zip(names, clfs):
classifier.____(____, ____)
y_score = classifier.____(X_test)
y_pred = classifier.____(X_test)
prec = ____(____, y_pred, average = 'weighted')
print("Precision for %s: %s " %(name, prec))