ПочатиПочніть безкоштовно

Вибір моделі з найкращою precision

Ваш керівник запропонував оплатити вам відвідування трьох спортивних матчів цього року. Із 41 домашнього матчу вашої улюбленої команди ви хочете потрапити саме на три такі, які вона точно виграє. Ви створюєте модель, щоб вирішити, які матчі команда виграє.

Для цього ви побудуєте алгоритм випадкового пошуку та зосередитеся на показнику precision моделі (щоб бути певними в перемогах вашої команди). Ви також хочете відстежувати найкращу модель і найкращі параметри, щоб використати їх знову наступного року (якщо модель покаже себе добре, звісно). Ви вже вирішили використати модель класифікації Random Forest rfc і згенерували розподіл параметрів param_dist.

Ця вправа є частиною курсу

Валідація моделей у Python

Переглянути курс

Інструкції до вправи

  • Створіть оцінювач precision, precision, за допомогою make_scorer(<scoring_function>).
  • Завершіть метод випадкового пошуку, використавши rfc і param_dist.
  • Скористайтеся rs.cv_results_, щоб вивести середні тестові бали.
  • Виведіть найкращий загальний бал.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

from sklearn.metrics import precision_score, make_scorer

# Create a precision scorer
precision = ____(____)
# Finalize the random search
rs = RandomizedSearchCV(
  estimator=____, param_distributions=____,
  scoring = precision,
  cv=5, n_iter=10, random_state=1111)
rs.fit(X, y)

# print the mean test scores:
print('The accuracy for each run was: {}.'.format(rs.cv_results_['____']))
# print the best model score:
print('The best accuracy for a single model was: {}'.format(rs.____))
Редагувати та запускати код