1. Belajar
    2. /
  2. Kursus
    3. /
  3. Projektowanie przepływów pracy uczenia maszynowego w Pythonie
Connected

Latihan

Własne funkcje oceny w potokach

Jesteś zadowolony z poprawy jakości kodu, ale właśnie przypomniałeś sobie, że wcześniej musiałeś używać własnej metryki oceny – ze względu na to, że fałszywe wyniki pozytywne są dla twojego startupu kosztowniejsze niż fałszywe wyniki negatywne. Chcesz teraz wyposażyć potok w funkcje oceny inne niż dokładność, w tym roc_auc_score(), f1_score() oraz własną funkcję oceniającą. Potok z poprzedniej lekcji jest dostępny jako pipe, siatka parametrów jako params, a dane treningowe jako X_train, y_train. Do napisania własnej metryki możesz również skorzystać z confusion_matrix().

Instruksi 1/3

undefined XP
  • 1

    Przekształć metrykę roc_auc_score() w obiekt oceniający i przekaż go do GridSearchCV(). Następnie dopasuj potok do danych.

  • 2

    Teraz powtórz to samo dla wyniku F1, korzystając z funkcji f1_score().

  • 3

    Teraz powtórz to samo, używając własnej metryki dostępnej jako prosta funkcja Pythona o nazwie my_metric().