НачатьНачать бесплатно

Оценка четырёх категорий результатов

Матрица ошибок — наиболее наглядный инструмент для анализа четырёх категорий результатов: истинно положительных (TP), ложно положительных (FP), истинно отрицательных (TN) и ложно отрицательных (FN). В этом упражнении вы примените стандартный классификатор на основе дерева решений DecisionTreeClassifier() из библиотеки sklearn к выборке данных о кликах и разобьёте результаты по четырём категориям.

Модуль pandas доступен как pd, а обучающий DataFrame загружен как df. Признаки загружены в переменную X, целевая переменная — в y. Кроме того, доступен класс DecisionTreeClassifier из модуля sklearn.tree.

Это упражнение является частью курса

Прогнозирование CTR с помощью машинного обучения на Python

Посмотреть курс

Инструкции к упражнению

  • Разделите X и y на обучающую и тестовую выборки.
  • Определите классификатор на основе дерева решений, обучите модель и получите предсказания y_pred.
  • Используйте матрицу ошибок, чтобы подсчитать количество примеров в каждой категории результатов: 1 соответствует положительному классу (клик), 0 — отрицательному (отсутствие клика).
  • Например: истинно отрицательные — [0,0], истинно положительные — [1,1].

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Set up classifier using training data to predict test data
X_train, X_test, y_train, y_test = ____(
  X, y, test_size = .2, random_state = 0)
clf = ____
y_pred = clf.____(X_train, y_train).____(X_test) 

# Define confusion matrix and four categories
conf_matrix = ____(y_test, y_pred)
tn = conf_matrix[____][____]
fp = conf_matrix[____][____]
fn = conf_matrix[____][____]
tp = conf_matrix[____][____]

print("TN: %s, FP: %s, FN: %s, TP: %s" %(tn, fp, fn, tp))
Редактировать и запускать код