BaşlayınÜcretsiz başlayın

Precision ve recall

Hem precision hem de recall, önceki derste konuşulan dört sonucun (TP, FP, TN, FN) her ikisiyle de ilişkilidir ve herhangi bir Machine Learning modeli için önemli değerlendirme metrikleridir. Bir reklam CTR modeli ideal olarak yüksek precision’a (reklam harcamasında yüksek ROI) ve recall’a (ilgili hedef kitleye ulaşma) sahip olmalıdır. Precision ve recall elle de hesaplanabilir olsa da, sklearn mevcut iş akışına kolayca ekleyebileceğin kullanışlı uygulamalar sunar. Bu egzersizde bir karar ağacı kuracak ve precision ile recall’ı hesaplayacaksın.

pandas modülü çalışma alanında pd olarak mevcut ve örnek DataFrame df olarak yüklü. Özellikler X içinde, hedef değişken ise y içinde kullanım için hazır. Ayrıca sklearn.metrics içinden precision_score() ve recall_score() fonksiyonları da mevcut.

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 eğiterek y_pred tahminlerini üret.
  • Precision ve recall skorlarını almak için sklearn içindeki uygulamaları kullan.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Set up training and testing split
X_train, X_test, y_train, y_test = ____(
  ____, ____, test_size = .2, random_state = 0)

# Create classifier and make predictions
clf = ____
y_pred = clf.____(____, _____).____(X_test) 

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