Precision vs. recall
De noggrannhetsmått du använder för att utvärdera din modell bör alltid väljas utifrån det specifika användningsområdet. Anta i det här exemplet att du är en väldigt dålig förlorare i luffarschack – men bara när du är helt säker på att du ska vinna.
Välj det lämpligaste noggrannhetsmåttet, antingen precision eller recall, för att slutföra exemplet. Kom ihåg: om du tror att du ska vinna, så måste du också vinna!
Använd rfc, som är en Random Forest-klassificeringsmodell tränad på datamängden tic_tac_toe.
Den här övningen är en del av kursen
Modellvalidering i Python
Övningsinstruktioner
- Importera antingen precision- eller recall-måttet från
sklearn. Endast en metod är korrekt i det här sammanhanget. - Beräkna precision eller recall med
y_testsom sanna värden ochtest_predictionssom prediktioner. - Skriv ut det slutliga värdet baserat på det mått du valde.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
from sklearn.metrics import ____
test_predictions = rfc.predict(X_test)
# Create precision or recall score based on the metric you imported
score = ____(____, ____)
# Print the final result
print("The ____ value is {0:.2f}".format(____))