Juntando tudo
Uma das engenheiras da sua startup de detecção de arritmia entra correndo na sua sala para avisar que há um problema com o sensor de ECG para usuários com sobrepeso. Você decide reduzir em 50% a influência dos exemplos com peso acima de 80. Também informam que, como sua startup mira o mercado fitness e não faz alegações médicas, assustar um atleta sem necessidade sai mais caro do que deixar passar um possível caso de arritmia. Você decide criar uma loss personalizada que torne cada “falso alarme” dez vezes mais custoso do que perder um caso de arritmia. Reduzir o peso dos sujeitos acima do peso melhora essa loss personalizada? Seus dados de treino X_train, y_train e dados de teste X_test, y_test já estão pré-carregados, assim como confusion_matrix(), numpy como np e DecisionTreeClassifier().
Este exercício faz parte do curso
Projetando Workflows de Machine Learning em Python
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Create a scorer assigning more cost to false positives
def my_scorer(y_test, y_est, cost_fp=10.0, cost_fn=1.0):
tn, fp, fn, tp = ____
return ____