เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การประเมินค่า Precision และ ROI

ในแบบฝึกหัดนี้ จะต่อยอดจากแบบฝึกหัดก่อนหน้าโดยรัน MLPClassifier แล้วเปรียบเทียบกับตัวจำแนกประเภทอื่นอีก 3 ตัวที่ได้รันไปก่อนหน้านี้ สำหรับตัวจำแนกประเภทแต่ละตัว จะคำนวณค่า precision และ ROI โดยนัยจากค่าใช้จ่ายโฆษณา เช่นเดียวกับก่อนหน้า ชุดข้อมูลฝึกและทดสอบของ X และ y ได้แก่ X_train, X_test สำหรับ X และ y_train, y_test สำหรับ y ตามลำดับ และฟีเจอร์ต่าง ๆ ได้รับการทำให้เป็นมาตรฐานแล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การพยากรณ์ CTR ด้วย Machine Learning ใน Python

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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))
แก้ไขและรันโค้ด