Łącząc wszystko razem
Jeden z inżynierów w twoim startupie zajmującym się wykrywaniem arytmii wpada do biura z informacją, że czujnik EKG działa nieprawidłowo w przypadku osób z nadwagą. Decydujesz się zmniejszyć wpływ przykładów, w których waga przekracza 80, o 50%. Dowiadujesz się również, że ponieważ startup kieruje ofertę do rynku fitness i nie stawia diagnoz medycznych, niepotrzebne straszenie sportowca jest kosztowniejsze niż przeoczenie możliwego przypadku arytmii. Postanawiasz stworzyć niestandardową funkcję straty, w której każdy „fałszywy alarm" jest dziesięć razy kosztowniejszy niż przeoczenie przypadku arytmii. Czy zmniejszenie wagi przykładów osób z nadwagą poprawia tę niestandardową stratę? Dane treningowe X_train, y_train oraz dane testowe X_test, y_test są wczytane, podobnie jak confusion_matrix(), numpy jako np i DecisionTreeClassifier().
To ćwiczenie jest częścią kursu
Projektowanie przepływów pracy uczenia maszynowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Create a scorer assigning more cost to false positives
def my_scorer(y_test, y_est, cost_fp=10.0, cost_fn=1.0):
tn, fp, fn, tp = ____
return ____