Zacznij terazZacznij za darmo

Precyzja i czułość

Precyzja i czułość są powiązane z czterema wynikami omówionymi w poprzedniej lekcji i stanowią ważne metryki ewaluacyjne dla każdego modelu uczenia maszynowego. Model CTR dla reklam powinien mieć w idealnym przypadku wysoką precyzję (wysoki zwrot z inwestycji w reklamę) i wysoką czułość (trafne dotarcie do odpowiedniej grupy odbiorców). Choć precyzję i czułość można obliczyć ręcznie, biblioteka sklearn oferuje wygodne implementacje, które łatwo wbudujesz w istniejący przepływ pracy. W tym ćwiczeniu skonfigurujesz drzewo decyzyjne i obliczysz precyzję oraz czułość.

Moduł pandas jest dostępny jako pd w twoim środowisku pracy, a przykładowa ramka danych jest załadowana jako df. Cechy są załadowane w X, a zmienna docelowa w y. Dodatkowo dostępne są funkcje precision_score() i recall_score() z modułu sklearn.metrics.

To ćwiczenie jest częścią kursu

Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Utwórz zbiory treningowe i testowe dla X i y.
  • Zdefiniuj klasyfikator drzewa decyzyjnego i wygeneruj predykcje y_pred, dopasowując model.
  • Użyj implementacji z biblioteki sklearn, aby obliczyć wartości precyzji i czułości.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Set up training and testing split
X_train, X_test, y_train, y_test = ____(
  ____, ____, test_size = .2, random_state = 0)

# Create classifier and make predictions
clf = ____
y_pred = clf.____(____, _____).____(X_test) 

# Evaluate precision and recall
prec = ____(y_test, ____, average = 'weighted')
recall = ____(y_test, ____, average = 'weighted')
print("Precision: %s, Recall: %s" %(prec, recall))
Edytuj i uruchom kod