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().
To ćwiczenie jest częścią kursu
Projektowanie przepływów pracy uczenia maszynowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Create a custom scorer
scorer = ____(roc_auc_score)
# Initialize the CV object
gs = GridSearchCV(pipe, param_grid=params, scoring=____)
# Fit it to the data and print the winning combination
print(gs.____(X_train, y_train).____)