Punkt odniesienia
Ocenianie klasyfikatora względem odpowiedniego punktu odniesienia jest bardzo ważne. Dotyczy to zwłaszcza niezbalansowanych zbiorów danych – takich jak dane o kliknięciach reklam – ponieważ wysoką dokładność można łatwo uzyskać, zawsze przewidując klasę większościową. W tym ćwiczeniu zasymulujemy klasyfikator bazowy, który zawsze przewiduje klasę większościową (brak kliknięcia), i przyjrzymy się jego macierzy pomyłek oraz wartościom precyzji i odzysku (recall).
X_train, y_train, X_test, y_test są dostępne w twoim obszarze roboczym. Dostępne są tam również: pandas jako pd, numpy jako np oraz sklearn.
To ćwiczenie jest częścią kursu
Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie
Instrukcje do ćwiczenia
- Utwórz
y_pred– tablicę zer o tej samej długości coX_test, korzystając z funkcjinp.asarray(). - Wyświetl wynikową macierz pomyłek.
- Oblicz wartości precyzji i odzysku (recall).
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Set up baseline predictions
y_pred = np.____([0 for x in range(len(X_test))])
# Look at confusion matrix
print("Confusion matrix: ")
print(____(y_test, y_pred))
# Check precision and recall
prec = ____(y_test, y_pred, average = 'weighted')
recall = ____(y_test, y_pred, average = 'weighted')
print("Precision: %s, Recall: %s" %(prec, recall))