BaşlayınÜcretsiz başlayın

Dört kategoriyi değerlendirme

Karmaşıklık matrisi, dört sonuç kategorisini—gerçek pozitifler (TP), yanlış pozitifler (FP), gerçek negatifler (TN) ve yanlış negatifler (FN)—incelemek için en yalın araçtır. Bu egzersizde, sklearn içindeki standart karar ağacı sınıflandırıcısı DecisionTreeClassifier() ile örnek tıklama verisi üzerinde çalışacak ve sonuçların bu dört kategoriye göre dağılımını hesaplayacaksın.

Çalışma alanında pandas modülü pd olarak yüklü ve örnek DataFrame df olarak mevcut. Özellikler X içinde, hedef değişken ise y içinde kullanıma hazır. Ayrıca, sklearn.tree içinden DecisionTreeClassifier erişilebilir durumda.

Bu egzersiz, kursun bir parçasıdır

Python ile Machine Learning kullanarak TOB tahmini

Kursa Göz Atın

Egzersiz talimatları

  • X ve y için eğitim ve test bölmelerini elde et.
  • Bir karar ağacı sınıflandırıcısı tanımla ve modeli fit ederek y_pred tahminlerini üret.
  • Karmaşıklık matrisini kullanarak her bir sonuç kategorisinin sayılarını elde et; burada 1 pozitif (tıklama), 0 ise negatif (tıklama değil) anlamına gelir.
  • Örneğin: gerçek negatifler [0,0], gerçek pozitifler [1,1] olur.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Set up classifier using training data to predict test data
X_train, X_test, y_train, y_test = ____(
  X, y, test_size = .2, random_state = 0)
clf = ____
y_pred = clf.____(X_train, y_train).____(X_test) 

# Define confusion matrix and four categories
conf_matrix = ____(y_test, y_pred)
tn = conf_matrix[____][____]
fp = conf_matrix[____][____]
fn = conf_matrix[____][____]
tp = conf_matrix[____][____]

print("TN: %s, FP: %s, FN: %s, TP: %s" %(tn, fp, fn, tp))
Kodu Düzenle ve Çalıştır