ÎncepețiÎncepe gratuit

Precizie și recuperare

Atât precizia, cât și recuperarea (recall) sunt legate de cele patru rezultate discutate în lecția anterioară și reprezintă metrici importante de evaluare pentru orice model de învățare automată. Un model CTR pentru reclame ar trebui să aibă, în mod ideal, precizie ridicată (ROI mare pe cheltuielile publicitare) și recuperare ridicată (targetare relevantă a audienței). Deși este posibil să calculezi precizia și recuperarea manual, sklearn oferă implementări utile pe care le poți integra ușor în fluxul de lucru existent. În acest exercițiu, vei configura un arbore de decizie și vei calcula precizia și recuperarea.

Modulul pandas este disponibil ca pd în spațiul tău de lucru, iar DataFrame-ul exemplu este încărcat ca df. Caracteristicile sunt încărcate în X, iar variabila țintă este încărcată în y. De asemenea, 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

  • Obține împărțirile de antrenament și testare pentru X și y.
  • Definește un clasificator de tip arbore de decizie și generează predicțiile y_pred prin antrenarea modelului.
  • Folosește implementările din sklearn pentru a obține scorurile de precizie și recuperare.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Set up training and testing split
X_train, X_test, y_train, y_test = ____(
  ____, ____, test_size = .2, random_state = 0)

# Create classifier and make predictions
clf = ____
y_pred = clf.____(____, _____).____(X_test) 

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