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":

Class imbalance

Zaimportuj niezbędne moduły do stworzenia modelu regresji logistycznej oraz obliczenia macierzy pomyłek, dokładności, precyzji, czułości i wyników F1.

ćwiczenie

Metryki dla niezbalansowanych klas

Instrukcje 1/4

.css-6su6fj{-webkit-flex-shrink:0;-ms-flex-negative:0;flex-shrink:0;}ćwiczenie

Instrukcje 1/4

ćwiczenie