Metryki dla niezbalansowanych klas
Niezbalansowane klasy to problem, który może negatywnie wpływać na działanie modelu w różnych scenariuszach uczenia maszynowego. Jest to szczególnie ważny temat podczas rozmowy kwalifikacyjnej – możesz zostać zapytany/-a, co zrobić z niezbalansowanym zbiorem danych. Niektóre dane są z natury niezbalansowane, jak na przykład dane dotyczące wyłudzeń ubezpieczeń.
W tym ćwiczeniu skorzystasz z sklearn, aby zbudować model regresji logistycznej, a następnie wyświetlić macierz pomyłek wraz z kilkoma metrykami oceny. Pozwoli ci to lepiej zrozumieć, jak interpretować modele uczenia maszynowego na zbiorach danych z niezbalansowanymi klasami.
Przypomnij sobie niezbalansowanie klas, które widziałeś(-aś) wcześniej w zbiorze loan_data. Liczba obserwacji ze statusem pożyczki „Fully Paid" znacznie przewyższa liczbę obserwacji oznaczonych jako „Charged Off":
To ćwiczenie jest częścią kursu
Ćwiczenie pytań rekrutacyjnych z uczenia maszynowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import
from sklearn.____ import ____
from sklearn.____ import ____, ____, ____, ____, _____