Метрики для несбалансированных классов
Дисбаланс классов может негативно сказываться на качестве модели в самых разных задачах машинного обучения. Этот вопрос особенно актуален на собеседовании: вам могут спросить, как действовать, если в данных один класс значительно преобладает над другим — как это бывает, например, в данных о страховом мошенничестве.
В этом упражнении вы воспользуетесь sklearn, чтобы построить модель логистической регрессии и вывести матрицу ошибок, а также несколько метрик оценки. Это поможет вам лучше разобраться, как интерпретировать модели машинного обучения на несбалансированных данных.
Вспомните дисбаланс классов, который вы наблюдали ранее в loan_data. Количество наблюдений со статусом кредита «Fully Paid» значительно превышает количество наблюдений со статусом «Charged Off»:
Это упражнение является частью курса
Практика вопросов интервью по машинному обучению на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Import
from sklearn.____ import ____
from sklearn.____ import ____, ____, ____, ____, _____