Определение метрики соревнования
Метрика соревнования используется Kaggle для оценки ваших решений. Кроме того, вам также необходимо измерять качество различных моделей на локальной валидационной выборке.
Сейчас ваша задача — вручную реализовать несколько метрик соревнования на случай, если они недоступны в sklearn.metrics.
В частности, вы определите:
Mean Squared Error (MSE) для задачи регрессии: $$MSE = \frac{1}{N}\sum_{i=1}^{N}{(y_i - \hat{y}_i)^2}$$
Logarithmic Loss (LogLoss) для задачи бинарной классификации: $$LogLoss = -\frac{1}{N}\sum_{i=1}^{N}{(y_i\ln p_i + (1-y_i)\ln (1-p_i))}$$
Это упражнение является частью курса
Победа в соревновании Kaggle на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
import numpy as np
# Import MSE from sklearn
from sklearn.metrics import mean_squared_error
# Define your own MSE function
def own_mse(y_true, y_pred):
# Raise differences to the power of 2
squares = np.____(y_true - y_pred, 2)
# Find mean over all observations
err = np.____(squares)
return err
print('Sklearn MSE: {:.5f}. '.format(mean_squared_error(y_regression_true, y_regression_pred)))
print('Your MSE: {:.5f}. '.format(own_mse(y_regression_true, y_regression_pred)))