Jämförelse av klassificerare
ROI-ramverket kan tillämpas på olika klassificerare för att se hur högre precision och recall leder till högre ROI-värden. Observera att basklassificeraren du skapade skulle ha en total avkastning och kostnad på 0, eftersom både sanna positiva tp och falska positiva fp är 0 per design. I den här övningen använder du ROI-ramverket för att jämföra en logistisk regression och en beslutsträdsklassificerare.
X_train, y_train, X_test, y_test finns tillgängliga i din arbetsyta tillsammans med pandas som pd och numpy som np. LogisticRegression() från sklearn.linear_model är också tillgänglig.
Den här övningen är en del av kursen
Förutsäga CTR med maskininlärning i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Create and fit classifier
clf = ____
y_pred = clf.____(X_train, y_train).____(X_test)
# Calculate total return, total spent, and ROI
r, cost = 0.2, 0.05
tn, fp, fn, tp = ____(y_test, y_pred).____
total_return = ____ * r
total_spent = (____ + ____) * cost
roi = total_return / total_spent
print("Total return: %s, Total spent: %s, ROI: %s" %(total_return, total_spent, roi))