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

ćwiczenie

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().

Instrukcje 1/3

undefined XP
  • 1

    Oblicz miarę F1 dla swojego klasyfikatora, korzystając z funkcji f1_score().

  • 2

    Oblicz precyzję tego klasyfikatora, korzystając z funkcji precision_score().

  • 3

    Dokładność (accuracy) to odsetek przykładów, które zostały poprawnie sklasyfikowane. Oblicz ją bez użycia funkcji accuracy_score().