Anpassade poängsättare i pipelines
Du är nöjd med förbättringen av din kodkvalitet, men kom precis på att du tidigare behövde använda ett anpassat poängsättningsmått för att ta hänsyn till att falska positiva är dyrare för ditt startup än falska negativa. Du vill därför utrusta din pipeline med andra poängsättare än accuracy, bland annat roc_auc_score(), f1_score() och din egen anpassade poängsättningsfunktion. Pipeline från föregående lektion finns tillgänglig som pipe, parameternätet som params och träningsdata som X_train, y_train. Du har även tillgång till confusion_matrix() för att skriva ditt eget mått.
Den här övningen är en del av kursen
Att designa maskininlärningsflöden i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Create a custom scorer
scorer = ____(roc_auc_score)
# Initialize the CV object
gs = GridSearchCV(pipe, param_grid=params, scoring=____)
# Fit it to the data and print the winning combination
print(gs.____(X_train, y_train).____)