Базовая модель
Оценка классификатора относительно подходящей базовой модели — важный шаг. Особенно это актуально для несбалансированных наборов данных, например данных о кликах по рекламе: высокая точность здесь легко достигается простым предсказанием большинства класса. В этом упражнении вы смоделируете базовый классификатор, который всегда предсказывает класс большинства (отсутствие клика), и проанализируете его матрицу ошибок, а также значения точности и полноты.
X_train, y_train, X_test, y_test доступны в вашем рабочем пространстве. Там же доступны pandas как pd, numpy как np и sklearn.
Это упражнение является частью курса
Прогнозирование CTR с помощью машинного обучения на Python
Инструкции к упражнению
- Создайте
y_pred— массив нулей той же длины, что иX_test, используяnp.asarray(). - Выведите на экран полученную матрицу ошибок.
- Получите значения точности и полноты.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Set up baseline predictions
y_pred = np.____([0 for x in range(len(X_test))])
# Look at confusion matrix
print("Confusion matrix: ")
print(____(y_test, y_pred))
# Check precision and recall
prec = ____(y_test, y_pred, average = 'weighted')
recall = ____(y_test, y_pred, average = 'weighted')
print("Precision: %s, Recall: %s" %(prec, recall))