เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

เลือกโมเดลที่มีค่า Precision ดีที่สุด

หัวหน้าของคุณเสนอที่จะออกค่าใช้จ่ายให้ไปดูกีฬา 3 นัดในปีนี้ จากเกมเหย้าทั้งหมด 41 นัดของทีมโปรด คุณต้องการเลือก 3 นัดที่มั่นใจได้ว่าทีมจะ ชนะแน่นอน จึงสร้างโมเดลเพื่อช่วยตัดสินใจว่านัดไหนทีมจะชนะ

ในการทำเช่นนี้ คุณจะสร้างอัลกอริทึม Random Search และเน้นที่ค่า Precision ของโมเดล (เพื่อให้มั่นใจว่าทีมจะชนะ) รวมถึงต้องการบันทึกโมเดลที่ดีที่สุดและพารามิเตอร์ที่ดีที่สุดไว้ เพื่อนำกลับมาใช้ในปีหน้าหากโมเดลทำงานได้ดี คุณได้เลือกใช้โมเดล Random Forest Classification rfc และกำหนดการกระจายพารามิเตอร์ param_dist ไว้แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การตรวจสอบความถูกต้องของโมเดลใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้างตัววัดผลค่า Precision ชื่อ precision โดยใช้ make_scorer(<scoring_function>)
  • กำหนดค่าให้ครบถ้วนสำหรับวิธี Random Search โดยใช้ rfc และ param_dist
  • ใช้ rs.cv_results_ เพื่อแสดงค่าเฉลี่ยของคะแนนทดสอบ
  • แสดงคะแนนโดยรวมที่ดีที่สุด

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

from sklearn.metrics import precision_score, make_scorer

# Create a precision scorer
precision = ____(____)
# Finalize the random search
rs = RandomizedSearchCV(
  estimator=____, param_distributions=____,
  scoring = precision,
  cv=5, n_iter=10, random_state=1111)
rs.fit(X, y)

# print the mean test scores:
print('The accuracy for each run was: {}.'.format(rs.cv_results_['____']))
# print the best model score:
print('The best accuracy for a single model was: {}'.format(rs.____))
แก้ไขและรันโค้ด