Kom igångKom igång gratis

Utvärdera precision och ROI

I den här övningen bygger du vidare på föregående övning och kör en MLPClassifier som du sedan jämför med tre av de andra klassificerarna från tidigare. För varje klassificerare beräknar du precisionen och den implicerade ROI:n på annonskostnaden. Precis som tidigare finns tränings- och testuppdelningar för X och y som X_train, X_test respektive y_train, y_test, och särdragen har redan standardiserats.

Den här övningen är en del av kursen

Förutsäga CTR med maskininlärning i Python

Visa kurs

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Create list of classifiers
names = ['Logistic Regression',  'Decision Tree',
         'Random Forest', 'Multi-Layer Perceptron']
clfs = [LogisticRegression(), 
        DecisionTreeClassifier(), RandomForestClassifier(), 
        MLPClassifier(hidden_layer_sizes = (5, ), max_iter = 40)]

# Fit each classifier and evaluate AUC of ROC curve 
for name, classifier in zip(names, clfs):
  classifier.____(____, ____)
  y_score = classifier.____(X_test)
  y_pred = classifier.____(X_test) 
  prec = ____(____, y_pred, average = 'weighted')
  print("Precision for %s: %s " %(name, prec))
Redigera och kör kod