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

ćwiczenie

Pełna ocena modeli

Precyzja i czułość mogą mieć różne wagi, dlatego wynik F-beta jest ważną metryką ewaluacyjną. Pole pod krzywą ROC (AUC) stanowi natomiast cenne uzupełnienie precyzji i czułości – wcześniej widziałeś, że model może osiągać wysokie AUC przy jednocześnie niskiej precyzji. W tym ćwiczeniu obliczysz pełny zestaw metryk ewaluacyjnych dla każdego klasyfikatora.

Dostępna jest funkcja print_estimator_name(), która wyświetla nazwę każdego klasyfikatora. W przestrzeni roboczej masz dostęp do X_train, y_train, X_test, y_test – cechy zostały już wystandaryzowane. Dostępne są również pandas jako pd oraz sklearn.

Instrukcje

100 XP
  • Zdefiniuj klasyfikator MLP z jedną ukrytą warstwą złożoną z 10 neuronów i maksymalnie 50 iteracjami.
  • Wytrenuj każdy klasyfikator i dokonaj predykcji.
  • Użyj implementacji z sklearn, aby obliczyć precyzję, czułość, wynik F-beta oraz AUC krzywej ROC.