НачатьНачать бесплатно

Оценка точности и ROI

В этом упражнении вы продолжаете работу, начатую в предыдущем, и запускаете MLPClassifier, сравнивая его с тремя другими классификаторами, которые использовались ранее. Для каждого классификатора вы вычислите точность (precision) и подразумеваемый ROI рекламных расходов. Как и прежде, данные разделены на обучающую и тестовую выборки: X_train, X_test для X и y_train, y_test для y соответственно; признаки уже стандартизированы.

Это упражнение является частью курса

Прогнозирование CTR с помощью машинного обучения на Python

Посмотреть курс

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Create list of classifiers
names = ['Logistic Regression',  'Decision Tree',
         'Random Forest', 'Multi-Layer Perceptron']
clfs = [LogisticRegression(), 
        DecisionTreeClassifier(), RandomForestClassifier(), 
        MLPClassifier(hidden_layer_sizes = (5, ), max_iter = 40)]

# Fit each classifier and evaluate AUC of ROC curve 
for name, classifier in zip(names, clfs):
  classifier.____(____, ____)
  y_score = classifier.____(X_test)
  y_pred = classifier.____(X_test) 
  prec = ____(____, y_pred, average = 'weighted')
  print("Precision for %s: %s " %(name, prec))
Редактировать и запускать код