Zacznij terazZacznij za darmo

Ocena precyzji i ROI

W tym ćwiczeniu rozwijasz poprzednie zadanie – uruchamiasz MLPClassifier i porównujesz go z trzema innymi klasyfikatorami zastosowanymi wcześniej. Dla każdego klasyfikatora obliczysz precyzję oraz szacunkowy ROI z wydatków na reklamy. Podobnie jak wcześniej, dane są podzielone na zbiory treningowe i testowe: X_train, X_test dla X oraz y_train, y_test dla y. Cechy zostały już wystandaryzowane.

To ćwiczenie jest częścią kursu

Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie

Zobacz kurs

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Create list of classifiers
names = ['Logistic Regression',  'Decision Tree',
         'Random Forest', 'Multi-Layer Perceptron']
clfs = [LogisticRegression(), 
        DecisionTreeClassifier(), RandomForestClassifier(), 
        MLPClassifier(hidden_layer_sizes = (5, ), max_iter = 40)]

# Fit each classifier and evaluate AUC of ROC curve 
for name, classifier in zip(names, clfs):
  classifier.____(____, ____)
  y_score = classifier.____(X_test)
  y_pred = classifier.____(X_test) 
  prec = ____(____, y_pred, average = 'weighted')
  print("Precision for %s: %s " %(name, prec))
Edytuj i uruchom kod