Porównanie klasyfikatorów
Schemat ROI można zastosować do różnych klasyfikatorów, aby sprawdzić, jak wyższa precyzja i recall przekładają się na wyższe wartości ROI. Pamiętaj, że bazowy klasyfikator, który wcześniej utworzono, miałby łączny zwrot i koszt równy 0 – wynika to z faktu, że zarówno prawdziwie pozytywne (tp), jak i fałszywie pozytywne (fp) wyniki będą z założenia równe 0. W tym ćwiczeniu użyjesz schematu ROI, aby porównać regresję logistyczną z klasyfikatorem drzewa decyzyjnego.
W środowisku pracy dostępne są: X_train, y_train, X_test, y_test, a także pandas jako pd, numpy jako np oraz LogisticRegression() z modułu sklearn.linear_model.
To ćwiczenie jest częścią kursu
Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Create and fit classifier
clf = ____
y_pred = clf.____(X_train, y_train).____(X_test)
# Calculate total return, total spent, and ROI
r, cost = 0.2, 0.05
tn, fp, fn, tp = ____(y_test, y_pred).____
total_return = ____ * r
total_spent = (____ + ____) * cost
roi = total_return / total_spent
print("Total return: %s, Total spent: %s, ROI: %s" %(total_return, total_spent, roi))