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().
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 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 ____