Кастомні скорери в конвеєрах
Ви задоволені покращенням якості коду, але щойно згадали, що раніше доводилося використовувати власну метрику оцінювання, адже хибнопозитивні помилки коштують вашому стартапу дорожче, ніж хибнонегативні. Тож ви хочете оснастити свій конвеєр скорерами, відмінними від accuracy, зокрема roc_auc_score(), f1_score(), а також власною функцією оцінювання. Конвеєр із попереднього уроку доступний як pipe, сітка параметрів — як params, а тренувальні дані — як X_train, y_train. Також у вас є confusion_matrix() для написання власної метрики.
Ця вправа є частиною курсу
Проєктування робочих процесів машинного навчання в Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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).____)