Pipelinede özel değerlendiriciler
Kod kalitendeki gelişimle gurur duyuyorsun, ancak daha önce yanlış pozitiflerin girişimin için yanlış negatiflerden daha maliyetli olduğunu hesaba katmak için özel bir değerlendirme metriği kullanman gerektiğini hatırladın. Bu yüzden, doğruluğun (accuracy) yanı sıra roc_auc_score(), f1_score() ve kendi özel değerlendirme fonksiyonun da dahil olmak üzere farklı değerlendiricilerle pipeline’ını donatmak istiyorsun. Önceki dersten gelen pipeline pipe olarak, parametre ızgarası params olarak ve eğitim verileri X_train, y_train olarak hazır. Kendi metriğini yazman için confusion_matrix() de mevcut.
Bu egzersiz
Python'da Machine Learning İş Akışları Tasarlama
kursunun bir parçasıdırUygulamalı interaktif egzersiz
Bu örnek kodu tamamlayarak bu egzersizi bitirin.
# Create a custom scorer
scorer = ____(roc_auc_score)
# Initialize the CV object
gs = GridSearchCV(pipe, param_grid=params, scoring=____)
# Fit it to the data and print the winning combination
print(gs.____(X_train, y_train).____)