ÎncepețiÎncepe gratuit

Regularizare

Regularizarea este procesul de adăugare a unor informații suplimentare într-un model pentru a preveni supraadaptarea (overfitting). Aceasta este esențială pentru a îmbunătăți metricile de evaluare pe care le-ai văzut mai devreme în acest capitol. În acest exercițiu, vei varia parametrul de adâncime maximă al unui arbore de decizie pentru a observa cum sunt afectate rezultatele clasificării.

X_train, y_train, X_test, y_test sunt disponibile în spațiul tău de lucru. pandas ca pd, numpy ca np și sklearn sunt de asemenea disponibile. În plus, confusion_matrix(), precision_score() și recall_score() din sklearn.metrics sunt disponibile.

Acest exercițiu face parte din cursul

Predicția CTR cu Machine Learning în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Creează arbori de decizie diferiți variind adâncimea maximă a fiecărui arbore.
  • Pentru fiecare arbore, antrenează modelul și generează predicții pe datele de testare.
  • Evaluează matricea de confuzie, precizia și recall-ul pentru fiecare arbore.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Iterate over different levels of max depth
for max_depth_val in [2, 3, 5, 10, 15, 20]:
  # Create and fit model
  clf = ____(____ = max_depth_val)
  print("Evaluating tree with max_depth = %s" %(max_depth_val))
  y_pred = clf.fit(____, ____).predict(____) 
  
  # Evaluate confusion matrix, precision, recall
  print("Confusion matrix: ")
  print(____(y_test, y_pred))
  prec = ____(____, ____, average = 'weighted')
  recall = ____(____, ____, average = 'weighted')
  print("Precision: %s, Recall: %s" %(prec, recall))
Editează și rulează codul