1. Learn
    2. /
  2. Cursuri
    3. /
  3. Proiectarea fluxurilor de lucru pentru Machine Learning în Python
Connected

exercițiu

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.

Instrucțiuni 1/3

undefined XP
  • 1

    Convertește metrica roc_auc_score() într-un scorer și transmite-o ca argument în GridSearchCV(). Apoi antrenează modelul pe date.

  • 2

    Repetă acum pașii, de această dată folosind scorul F1, dat de f1_score().

  • 3

    Repetă acum pașii cu o metrică personalizată, disponibilă ca funcție Python simplă numită my_metric().