BaşlayınÜcretsiz başlayın

F-beta skoru

F-beta skoru, precision ve recall arasında ağırlıklı harmonik ortalamadır ve bu iki metriği farklı şekilde ağırlıklandırmak için kullanılır. Çoğu durumda precision'ı recall'a göre daha fazla önemsemek isteyebilirsin; bu da 0 ile 1 arasında daha düşük bir beta değeriyle yapılabilir. Bu egzersizde, bir MLP sınıflandırıcının precision ve recall değerlerini, ayrıca beta = 0.5 kullanarak F-beta skorunu hesaplayacaksın.

X_train, y_train, X_test, y_test çalışma alanında mevcut ve özellikler önceden standartlaştırıldı. pandas pd takma adıyla ve sklearn de çalışma alanında hazır. sklearn.metrics içindeki fbeta_score() fonksiyonu da kullanılabilir.

Bu egzersiz, kursun bir parçasıdır

Python ile Machine Learning kullanarak TOB tahmini

Kursa Göz Atın

Egzersiz talimatları

  • Veriyi eğitim ve test olarak ayır.
  • Bir MLP sınıflandırıcı tanımla, .fit() ile eğit ve .predict() ile tahmin yap.
  • Precision, recall ve F-beta skorlarını elde etmek için sklearn içindeki hazır uygulamaları kullan.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Set up MLP classifier, train and predict
X_train, X_test, y_train, y_test = ____(
  ____, ____, test_size = .2, random_state = 0)
clf = ____(hidden_layer_sizes = (16, ), 
                    max_iter = 10, random_state = 0)
y_pred = clf.____(____, _____).____(X_test) 

# Evaluate precision and recall
prec = ____(y_test, ____, average = 'weighted')
recall = ____(y_test, ____, average = 'weighted')
fbeta = ____(y_test, ____, ____  = 0.5, average = 'weighted')
print("Precision: %s, Recall: %s, F-beta score: %s" %(prec, recall, fbeta))
Kodu Düzenle ve Çalıştır