Kom igångKom igång gratis

Precision och recall

Både precision och recall är kopplade till de fyra utfall som diskuterades i föregående lektion och är viktiga utvärderingsmått för maskininlärningsmodeller. En CTR-modell för annonser bör helst ha hög precision (hög ROI på annonskostnader) och hög recall (relevant målgruppsanpassning). Det går att beräkna precision och recall för hand, men sklearn erbjuder smidiga implementationer som enkelt passar in i det befintliga arbetsflödet. I den här övningen sätter du upp ett beslutsträd och beräknar precision och recall.

Pandas-modulen är tillgänglig som pd i din miljö och exempeldataramen är laddad som df. Särdragen finns i X och målet i y. Dessutom är precision_score() och recall_score() från sklearn.metrics tillgängliga.

Den här övningen är en del av kursen

Förutsäga CTR med maskininlärning i Python

Visa kurs

Övningsinstruktioner

  • Hämta tränings- och testuppdelningarna för X och y.
  • Definiera en beslutsträdsklassificerare och skapa prediktioner y_pred genom att träna modellen.
  • Använd implementationer från sklearn för att beräkna precision- och recall-poängen.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Set up training and testing split
X_train, X_test, y_train, y_test = ____(
  ____, ____, test_size = .2, random_state = 0)

# Create classifier and make predictions
clf = ____
y_pred = clf.____(____, _____).____(X_test) 

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