1. Nauka
    2. /
  2. Kursy
    3. /
  3. Projektowanie przepływów pracy uczenia maszynowego w Pythonie
Connected

ćwiczenie

Optymalizacja progu klasyfikacji

Słyszałeś, że domyślna wartość progu 0,5 teoretycznie maksymalizuje dokładność – ale chcesz sprawdzić, jak to wygląda w praktyce. Przetestujesz kilka różnych wartości progu, aby zobaczyć, jaką dokładność uzyskasz, i wskazać najlepiej działający próg. Powtórzysz ten eksperyment dla miary F1. Czy 0,5 to optymalny próg? Czy optymalny próg dla dokładności i dla F1 jest taki sam? Czas to sprawdzić! Masz dostępną macierz scores uzyskaną przez ocenę danych testowych. Prawdziwe etykiety danych testowych są dostępne jako y_test. Dodatkowo załadowane są dwie funkcje numpy: argmin() i argmax(), które zwracają indeks odpowiednio minimalnej i maksymalnej wartości w tablicy, a także metryki accuracy_score() i f1_score().

Instrukcje

100 XP
  • Utwórz zakres wartości progu zawierający: 0,0; 0,25; 0,5; 0,75 i 1,0.
  • Za pomocą podwójnego list comprehension zapisz przewidywania dla każdej wartości progu z powyższego zakresu. Pamiętaj, że etykiety z macierzy wyników przy użyciu progu thr można uzyskać wyrażeniem [s[1] > thr for s in scores].
  • Przejdź przez tę listę i oblicz dokładność dla każdego progu. Powtórz to samo dla miary F1.
  • Korzystając z argmin() lub argmax(), wyznacz optymalny próg dla dokładności oraz dla F1.