Custom Scorers ใน Pipelines
คุณภูมิใจกับคุณภาพโค้ดที่ดีขึ้น แต่เพิ่งนึกได้ว่าก่อนหน้านี้ต้องใช้เมตริกการให้คะแนนแบบกำหนดเอง เพื่อรับมือกับข้อเท็จจริงที่ว่า false positive มีต้นทุนสูงกว่า false negative สำหรับ startup ของคุณ จึงต้องการติดตั้ง scorer อื่นนอกเหนือจาก accuracy ใน pipeline ได้แก่ roc_auc_score(), f1_score() และฟังก์ชันการให้คะแนนแบบกำหนดเองของคุณเอง pipeline จากบทเรียนก่อนหน้าพร้อมใช้งานในชื่อ pipe พร้อมกับ parameter grid ในชื่อ params และข้อมูลสำหรับฝึกในชื่อ X_train, y_train นอกจากนี้ยังมี confusion_matrix() สำหรับใช้เขียนเมตริกของคุณเอง
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
การออกแบบ Machine Learning Workflows ด้วย Python
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# Create a custom scorer
scorer = ____(roc_auc_score)
# Initialize the CV object
gs = GridSearchCV(pipe, param_grid=params, scoring=____)
# Fit it to the data and print the winning combination
print(gs.____(X_train, y_train).____)