เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

Precision และ Recall

ทั้ง precision และ recall ล้วนเกี่ยวข้องกับผลลัพธ์ทั้งสี่แบบที่ได้กล่าวถึงในบทเรียนก่อนหน้า และเป็นตัวชี้วัดประสิทธิภาพที่สำคัญสำหรับโมเดล machine learning ทุกประเภท โมเดล CTR ของโฆษณาที่ดีควรมี precision สูง (ให้ ROI สูงจากงบโฆษณา) และ recall สูง (เข้าถึงกลุ่มเป้าหมายได้ตรงจุด) แม้จะคำนวณ precision และ recall ด้วยมือได้ แต่ sklearn มีฟังก์ชันสำเร็จรูปที่นำไปใช้ในเวิร์กโฟลว์ได้อย่างสะดวก ในแบบฝึกหัดนี้ จะได้ตั้งค่า decision tree และคำนวณค่า precision และ recall

โมดูล pandas พร้อมใช้งานในชื่อ pd และ DataFrame ตัวอย่างถูกโหลดไว้ในชื่อ df โดยฟีเจอร์อยู่ใน X และตัวแปรเป้าหมายอยู่ใน y นอกจากนี้ยังมี precision_score() และ recall_score() จาก sklearn.metrics พร้อมใช้งานแล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การพยากรณ์ CTR ด้วย Machine Learning ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • แบ่งข้อมูลสำหรับการเทรนและการทดสอบจาก X และ y
  • กำหนด decision tree classifier และสร้างการพยากรณ์ y_pred โดยการ fit โมเดล
  • ใช้ฟังก์ชันจาก sklearn เพื่อคำนวณค่า precision และ recall

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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))
แก้ไขและรันโค้ด