Scoreri personalizați în pipeline-uri
Ești mândru de îmbunătățirea calității codului tău, dar tocmai ți-ai amintit că anterior ai fost nevoit să folosești o metrică de scoring personalizată, deoarece fals pozitivele sunt mai costisitoare pentru startup-ul tău decât fals negativele. Prin urmare, vrei să echipezi pipeline-ul cu scoreri diferiți de acuratețe, inclusiv roc_auc_score(), f1_score() și propria ta funcție de scoring personalizată. Pipeline-ul din lecția anterioară este disponibil ca pipe, grila de parametri ca params, iar datele de antrenament ca X_train, y_train. Ai la dispoziție și confusion_matrix() pentru a-ți scrie propria metrică.
Acest exercițiu face parte din cursul
Proiectarea fluxurilor de lucru pentru Machine Learning în Python
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# Create a custom scorer
scorer = ____(roc_auc_score)
# Initialize the CV object
gs = GridSearchCV(pipe, param_grid=params, scoring=____)
# Fit it to the data and print the winning combination
print(gs.____(X_train, y_train).____)