ÎncepețiÎncepe gratuit

Scorul F-beta

Scorul F-beta este o medie armonică ponderată între precizie și recall și se folosește pentru a acorda o importanță diferită celor două metrici. În general, s-ar putea să dai mai multă importanță preciziei decât recall-ului – acest lucru se obține printr-un beta mai mic, cuprins între 0 și 1. În acest exercițiu, vei calcula precizia și recall-ul unui clasificator MLP, împreună cu scorul F-beta, folosind beta = 0.5.

X_train, y_train, X_test, y_test sunt disponibile în spațiul tău de lucru, iar caracteristicile au fost deja standardizate. pandas sub aliasul pd și sklearn sunt de asemenea disponibile. fbeta_score() din sklearn.metrics este și ea disponibilă.

Acest exercițiu face parte din cursul

Predicția CTR cu Machine Learning în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Împarte datele în seturi de antrenament și de testare.
  • Definește un clasificator MLP, antrenează-l cu .fit() și realizează predicții cu .predict().
  • Folosește implementările din sklearn pentru a obține scorurile de precizie, recall și F-beta.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Set up MLP classifier, train and predict
X_train, X_test, y_train, y_test = ____(
  ____, ____, test_size = .2, random_state = 0)
clf = ____(hidden_layer_sizes = (16, ), 
                    max_iter = 10, random_state = 0)
y_pred = clf.____(____, _____).____(X_test) 

# Evaluate precision and recall
prec = ____(y_test, ____, average = 'weighted')
recall = ____(y_test, ____, average = 'weighted')
fbeta = ____(y_test, ____, ____  = 0.5, average = 'weighted')
print("Precision: %s, Recall: %s, F-beta score: %s" %(prec, recall, fbeta))
Editează și rulează codul