เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

Baseline

การประเมินตัวจำแนกประเภท (classifier) เทียบกับ baseline ที่เหมาะสมเป็นสิ่งสำคัญ โดยเฉพาะกับชุดข้อมูลที่ไม่สมดุล เช่น ข้อมูลการคลิกโฆษณา เพราะการทำนายคลาสส่วนใหญ่ตลอดเวลาสามารถให้ค่าความแม่นยำสูงได้โดยง่าย ในแบบฝึกหัดนี้ จะจำลอง baseline classifier ที่ทำนายเป็นคลาสส่วนใหญ่ (ไม่คลิก) ตลอดเวลา แล้วดู confusion matrix พร้อมกับค่า precision และ recall ของมัน

X_train, y_train, X_test, y_test พร้อมใช้งานใน workspace แล้ว รวมถึง pandas as pd, numpy as np และ sklearn

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การพยากรณ์ CTR ด้วย Machine Learning ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • สร้าง y_pred เป็น array ของเลขศูนย์ที่มีความยาวเท่ากับ X_test โดยใช้ np.asarray()
  • แสดงผล confusion matrix ที่ได้
  • ดึงค่าคะแนน precision และ recall

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Set up baseline predictions
y_pred = np.____([0 for x in range(len(X_test))])

# Look at confusion matrix
print("Confusion matrix: ")
print(____(y_test, y_pred))

# Check precision and recall
prec = ____(y_test, y_pred, average = 'weighted')
recall = ____(y_test, y_pred, average = 'weighted')
print("Precision: %s, Recall: %s" %(prec, recall))
แก้ไขและรันโค้ด