Classificatiemodellen vergelijken
Het ROI-framework kun je toepassen op verschillende classificatiemodellen om te zien hoe hogere precision en recall leiden tot een hogere ROI. Let op: de baseline-classifier die je hebt gemaakt, heeft een totale opbrengst en kosten van 0, omdat zowel de true positives tp als de false positives fp per ontwerp 0 zijn. In deze oefening gebruik je het ROI-framework om een logistic regression en een decision tree-classifier te vergelijken.
X_train, y_train, X_test, y_test zijn beschikbaar in je werkruimte, samen met pandas als pd en numpy als np. LogisticRegression() uit sklearn.linear_model is ook beschikbaar.
Deze oefening maakt deel uit van de cursus
CTR voorspellen met Machine Learning in Python
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Create and fit classifier
clf = ____
y_pred = clf.____(X_train, y_train).____(X_test)
# Calculate total return, total spent, and ROI
r, cost = 0.2, 0.05
tn, fp, fn, tp = ____(y_test, y_pred).____
total_return = ____ * r
total_spent = (____ + ____) * cost
roi = total_return / total_spent
print("Total return: %s, Total spent: %s, ROI: %s" %(total_return, total_spent, roi))