Mätvärden för obalanserade klasser
Klassobalans kan försämra din modells prestanda i alla maskininlärningssammanhang. Detta är särskilt relevant i en maskininlärningsintervju om du får frågan vad du skulle göra om du fick en datamängd med en obalanserad klass – en del data är obalanserad av design, till exempel data om försäkringsbedrägeri.
I den här övningen använder du sklearn för att skapa en logistisk regressionsmodell och skriva ut konfusionsmatrisen tillsammans med flera utvärderingsmått. Det ger dig en bättre förståelse för hur man tolkar maskininlärningsmodeller från datamängder med klassobalans.
Kom ihåg den klassobalans du såg tidigare i loan_data. Antalet observationer med lånestatusen Fully Paid är betydligt större än de med Charged Off:
Den här övningen är en del av kursen
Öva på maskininlärningsintervjufrågor i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Import
from sklearn.____ import ____
from sklearn.____ import ____, ____, ____, ____, _____