1. Nauka
    2. /
  2. Kursy
    3. /
  3. Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie
Connected

ćwiczenie

Wynik F-beta

Wynik F-beta to ważona średnia harmoniczna precyzji i czułości, która pozwala nadać im różne wagi. Często zależy nam bardziej na precyzji niż na czułości – można to osiągnąć, ustawiając niższe beta w przedziale od 0 do 1. W tym ćwiczeniu obliczysz precyzję i czułość klasyfikatora MLP, a także wynik F-beta przy beta = 0.5.

W twoim środowisku dostępne są zmienne X_train, y_train, X_test, y_test, a cechy zostały już wystandaryzowane. Dostępne są również pandas jako pd oraz sklearn. Funkcja fbeta_score() z modułu sklearn.metrics jest również gotowa do użycia.

Instrukcje

100 XP
  • Podziel dane na zbiór treningowy i testowy.
  • Zdefiniuj klasyfikator MLP, wytrenuj go metodą .fit() i dokonaj predykcji za pomocą .predict().
  • Użyj implementacji z sklearn, aby uzyskać wyniki precyzji, czułości oraz F-beta.