Пользовательские метрики в конвейерах
Вы довольны улучшением качества кода, но вспомнили, что ранее использовали пользовательскую метрику оценки, чтобы учесть тот факт, что ложноположительные результаты обходятся вашему стартапу дороже, чем ложноотрицательные. Поэтому вы хотите оснастить конвейер метриками, отличными от точности, — в том числе roc_auc_score(), f1_score() и собственной функцией оценки. Конвейер из предыдущего урока доступен как pipe, сетка параметров — как params, обучающие данные — как X_train, y_train. Для написания собственной метрики вам также доступна функция confusion_matrix().
Это упражнение является частью курса
Проектирование рабочих процессов машинного обучения на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Create a custom scorer
scorer = ____(roc_auc_score)
# Initialize the CV object
gs = GridSearchCV(pipe, param_grid=params, scoring=____)
# Fit it to the data and print the winning combination
print(gs.____(X_train, y_train).____)