НачатьНачать бесплатно

F-beta-мера

F-beta-мера представляет собой взвешенное гармоническое среднее точности и полноты и позволяет по-разному учитывать их вклад в итоговую оценку. Если точность важнее полноты, задайте значение beta меньше 1 — в диапазоне от 0 до 1. В этом упражнении вы вычислите точность и полноту MLP-классификатора, а также F-beta-меру при beta = 0.5.

В вашем рабочем пространстве доступны X_train, y_train, X_test, y_test; признаки уже стандартизированы. Также доступны pandas как pd и библиотека sklearn. Функция fbeta_score() из sklearn.metrics тоже подключена.

Это упражнение является частью курса

Прогнозирование CTR с помощью машинного обучения на Python

Посмотреть курс

Инструкции к упражнению

  • Разделите данные на обучающую и тестовую выборки.
  • Определите MLP-классификатор, обучите его с помощью .fit() и получите предсказания с помощью .predict().
  • Используйте инструменты из sklearn для вычисления точности, полноты и F-beta-меры.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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))
Редактировать и запускать код