Kom igångKom igång gratis

Anpassa tröskelvärdena

I videon såg du hur NannyML beräknar tröskelvärden och lärde dig hur du kan anpassa dem efter dina behov.

I den här övningen är din uppgift att definiera två anpassade tröskelvärden – ett baserat på standardavvikelse och ett konstant – och sedan tillämpa dem på resultaten från CBPE-algoritmen för US Census-datasetet.

Referens- och analysmängderna har förhandsladdats som reference och analysis, tillsammans med biblioteket nannyml.

Den här övningen är en del av kursen

Övervakning av maskininlärning i Python

Visa kurs

Övningsinstruktioner

  • Importera ConstantThreshold och StandardDeviationThreshold från nannyml.thresholds.
  • Initialisera standardavvikelsemetoden och sätt parametrarna std_lower_multiplier och std_upper_multiplier till 2.
  • Initialisera den konstanta tröskelmetoden och sätt den nedre parametern till 0.9 och den övre till 0.98.
  • Skicka den konstanta tröskelmetoden för måttet f1 och standardavvikelsemetoden för accuracy till CBPE-algoritmen.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import custom thresholds
from ____.____ import ____, ____

# Initialize custom thresholds
stdt = ____(____=____, ____=____)
ct = ____(____=____, ____=____)

# Initialize the CBPE algorithm
estimator = nannyml.CBPE(
    problem_type='classification_binary',
    y_pred_proba='predicted_probability',
    y_pred='prediction',
    y_true='employed',
    metrics=['roc_auc', 'accuracy', 'f1'],
    thresholds={____: ____, ____: ____})
Redigera och kör kod