Przypomnienie metryk wydajności
Pamiętasz zbiór danych dotyczący kredytów? Mając teraz szerszą wiedzę na temat metryk, przyjrzyjmy się jeszcze raz temu, jak dobrze radzi sobie las losowy na tym zbiorze. Klasyfikator jest już wytrenowany, a macierz pomyłek obliczona na danych testowych. Wyniki są dostępne jako tp, fp, fn i tn – odpowiednio: prawdziwe pozytywy, fałszywe pozytywy, fałszywe negatywy i prawdziwe negatywy. Masz też rzeczywiste etykiety dla danych testowych: y_test oraz przewidywane etykiety: preds. Zaimportowane zostały również funkcje f1_score() i precision_score().
To ćwiczenie jest częścią kursu
Projektowanie przepływów pracy uczenia maszynowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
print(____(____, preds))