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

exercițiu

Optimizarea pragului de decizie

Ai auzit că valoarea implicită de 0,5 maximizează acuratețea în teorie, dar vrei să testezi ce se întâmplă în practică. Prin urmare, încerci mai multe valori diferite ale pragului de decizie, pentru a vedea ce acuratețe obții și a determina astfel valoarea optimă. Repeți experimentul și pentru scorul F1. Este 0,5 pragul optim? Pragul optim pentru acuratețe și cel pentru scorul F1 sunt identice? Află chiar acum! Ai la dispoziție o matrice scores, obținută prin scorarea datelor de test. Etichetele reale ale datelor de test sunt disponibile ca y_test. În plus, sunt preîncărcate două funcții numpy – argmin() și argmax() –, care returnează indexul valorii minime, respectiv maxime dintr-un array, alături de metricile accuracy_score() și f1_score().

Instrucțiuni

100 XP
  • Creează un interval de valori ale pragului care să includă 0,0, 0,25, 0,5, 0,75 și 1,0.
  • Folosind o comprehensiune dublă de liste, stochează predicțiile pentru fiecare valoare a pragului din intervalul de mai sus. Reține că obținerea etichetelor dintr-o matrice de scoruri folosind un prag thr este posibilă cu [s[1] > thr for s in scores].
  • Parcurge această listă și calculează acuratețea pentru fiecare prag. Repetă același lucru pentru scorul F1.
  • Folosind argmin() sau argmax(), găsește pragul optim pentru acuratețe și, respectiv, pentru F1.