BaşlayınÜcretsiz Başlayın

En iyi sonuçları kullanma

Grid search sonuçlarını analiz etmek ilginç olsa da, nihai hedefimiz pratiktir; tahminci nesnemizi kullanarak test kümemiz üzerinde tahmin yapmak istiyoruz.

Bu nesneye grid search nesnemizin best_estimator_ özelliği üzerinden erişebiliriz.

Hadi best_estimator_ özelliğinin içine bakalım, tahminler üretelim ve değerlendirme skorları oluşturalım. Önce varsayılan predict yöntemini (sınıf tahminleri verir) kullanacağız, ancak roc-auc skoru üretmek için predict yerine predict_proba kullanmamız gerekir; çünkü roc-auc hesaplaması için olasılık skorlarına ihtiyaç duyar. Pozitif sınıfın olasılıklarını almak için [:,1] dilimini kullanırız.

Kullanman için X_test ve y_test veri kümeleri ile önceki egzersizlerden grid_rf_class nesnesi hazır.

Bu egzersiz

Python'da Hiperparametre Ayarlama

kursunun bir parçasıdır
Kursu Görüntüle

Egzersiz talimatları

  • best_estimator_ özelliğinin türünü kontrol et.
  • Test kümemiz üzerinde tahmin yapmak için best_estimator_ özelliğini kullan.
  • Tahminlerimizden bir karmaşıklık matrisi ve ROC_AUC skoru üret.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# See what type of object the best_estimator_ property is
print(____(____.____))

# Create an array of predictions directly using the best_estimator_ property
predictions = grid_rf_class.____._____(X_test)

# Take a look to confirm it worked, this should be an array of 1's and 0's
print(predictions[0:5])

# Now create a confusion matrix 
print("Confusion Matrix \n", confusion_matrix(y_test, ______))

# Get the ROC-AUC score
predictions_proba = grid_rf_class.best_estimator_.predict_proba(X_test)[:,1]
print("ROC-AUC Score \n", roc_auc_score(y_test, _____))
Kodu Düzenle ve Çalıştır