เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

กำหนด Competition Metric

Kaggle ใช้ competition metric ในการประเมินผลการส่งงานของคุณ นอกจากนี้ คุณยังต้องวัดประสิทธิภาพของโมเดลต่าง ๆ บนชุดข้อมูล validation ในเครื่องด้วย

ในตอนนี้ เป้าหมายคือการสร้าง competition metric สองตัวด้วยตัวเอง สำหรับกรณีที่ metric เหล่านั้นไม่มีอยู่ใน sklearn.metrics

โดยเฉพาะอย่างยิ่ง คุณจะกำหนด:

  • Mean Squared Error (MSE) สำหรับปัญหา regression: $$MSE = \frac{1}{N}\sum_{i=1}^{N}{(y_i - \hat{y}_i)^2}$$

  • Logarithmic Loss (LogLoss) สำหรับปัญหา binary classification: $$LogLoss = -\frac{1}{N}\sum_{i=1}^{N}{(y_i\ln p_i + (1-y_i)\ln (1-p_i))}$$

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การแข่งขัน Kaggle ด้วย Python

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

import numpy as np

# Import MSE from sklearn
from sklearn.metrics import mean_squared_error

# Define your own MSE function
def own_mse(y_true, y_pred):
  	# Raise differences to the power of 2
    squares = np.____(y_true - y_pred, 2)
    # Find mean over all observations
    err = np.____(squares)
    return err

print('Sklearn MSE: {:.5f}. '.format(mean_squared_error(y_regression_true, y_regression_pred)))
print('Your MSE: {:.5f}. '.format(own_mse(y_regression_true, y_regression_pred)))
แก้ไขและรันโค้ด