Zacznij terazZacznij za darmo

Modyfikowanie progów

W filmie zobaczyłeś(-aś), jak NannyML oblicza wartości progów, i dowiedziałeś(-aś) się, jak je dostosować do własnych potrzeb.

W tym ćwiczeniu masz za zadanie zdefiniować dwa niestandardowe progi – próg odchylenia standardowego i próg stały – a następnie zastosować je do wyników uzyskanych z algorytmu CBPE dla zbioru danych US Census.

Zbiory referencyjny i analityczny zostały wstępnie wczytane jako reference i analysis, wraz z biblioteką nannyml.

To ćwiczenie jest częścią kursu

Monitorowanie uczenia maszynowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Zaimportuj ConstantThreshold i StandardDeviationThreshold z nannyml.thresholds.
  • Zainicjalizuj metodę odchylenia standardowego i ustaw parametry std_lower_multiplier oraz std_upper_multiplier na 2.
  • Zainicjalizuj metodę progu stałego i ustaw parametr dolny na 0.9, a górny na 0.98.
  • Przekaż metodę progu stałego dla metryki f1 oraz metodę odchylenia standardowego dla metryki accuracy do algorytmu CBPE.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Import custom thresholds
from ____.____ import ____, ____

# Initialize custom thresholds
stdt = ____(____=____, ____=____)
ct = ____(____=____, ____=____)

# Initialize the CBPE algorithm
estimator = nannyml.CBPE(
    problem_type='classification_binary',
    y_pred_proba='predicted_probability',
    y_pred='prediction',
    y_true='employed',
    metrics=['roc_auc', 'accuracy', 'f1'],
    thresholds={____: ____, ____: ____})
Edytuj i uruchom kod