Kom igångKom igång gratis

F-beta-poäng

F-beta-poängen är ett vägt harmoniskt medelvärde mellan precision och recall, och används för att vikta precision och recall olika. I många fall vill man vikta precision högre än recall, vilket kan göras med ett lägre beta-värde mellan 0 och 1. I den här övningen beräknar du precision och recall för en MLP-klassificerare samt F-beta-poängen med beta = 0.5.

X_train, y_train, X_test, y_test finns tillgängliga i din arbetsmiljö och särdragen har redan standardiserats. pandas som pd och sklearn finns också tillgängliga. fbeta_score() från sklearn.metrics är dessutom tillgänglig.

Den här övningen är en del av kursen

Förutsäga CTR med maskininlärning i Python

Visa kurs

Övningsinstruktioner

  • Dela upp datan i tränings- och testdata.
  • Definiera en MLP-klassificerare, träna den med .fit() och gör förutsägelser med .predict().
  • Använd implementationer från sklearn för att beräkna precision, recall och F-beta-poäng.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Set up MLP classifier, train and predict
X_train, X_test, y_train, y_test = ____(
  ____, ____, test_size = .2, random_state = 0)
clf = ____(hidden_layer_sizes = (16, ), 
                    max_iter = 10, random_state = 0)
y_pred = clf.____(____, _____).____(X_test) 

# Evaluate precision and recall
prec = ____(y_test, ____, average = 'weighted')
recall = ____(y_test, ____, average = 'weighted')
fbeta = ____(y_test, ____, ____  = 0.5, average = 'weighted')
print("Precision: %s, Recall: %s, F-beta score: %s" %(prec, recall, fbeta))
Redigera och kör kod