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

exercițiu

Pune totul laolaltă

Unul dintre inginerii din startup-ul tău de detectare a aritmiei intră în grabă în birou pentru a-ți spune că există o problemă cu senzorul ECG pentru utilizatorii supraponderali. Decizi să reduci cu 50% influența exemplelor cu o greutate de peste 80. Ești informat, de asemenea, că, deoarece startup-ul tău vizează piața de fitness și nu face nicio afirmație medicală, alarmarea inutilă a unui atlet este mai costisitoare decât ratarea unui posibil caz de aritmie. Decizi să creezi o funcție de pierdere personalizată care face ca fiecare „alarmă falsă" să fie de zece ori mai costisitoare decât ratarea unui caz de aritmie. Oare reducerea ponderii subiecților supraponderali îmbunătățește această funcție de pierdere personalizată? Datele de antrenament X_train, y_train și datele de testare X_test, y_test sunt preîncărcate, la fel și confusion_matrix(), numpy ca np și DecisionTreeClassifier().

Instrucțiuni 1/3

undefined XP
    1
    2
    3
  • Începe prin a crea o funcție de pierdere personalizată care extrage valorile fals pozitive și fals negative din matricea de confuzie, apoi face ca fiecare alarmă falsă să conteze de zece ori mai mult decât un caz de aritmie ratat.