Precision проти recall
Метрики точності, якими ви оцінюєте свою модель, завжди мають залежати від конкретного застосування. У цьому прикладі припустімо, що ви дуже болісно сприймаєте поразки в хрестиках-нулях, але лише тоді, коли ви впевнені, що збираєтеся виграти.
Оберіть найдоречнішу метрику точності — precision або recall — щоб завершити цей приклад. Але пам'ятайте: якщо ви думаєте, що виграєте, то маєте виграти!
Використайте rfc — модель випадкового лісу для класифікації, побудовану на наборі даних tic_tac_toe.
Ця вправа є частиною курсу
Валідація моделей у Python
Інструкції до вправи
- Імпортуйте метрику precision або recall зі
sklearn. Лише один метод підходить для цього контексту. - Обчисліть precision або recall, використовуючи
y_testяк істинні значення таtest_predictionsяк прогноз. - Виведіть підсумковий бал за обраною метрикою.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
from sklearn.metrics import ____
test_predictions = rfc.predict(X_test)
# Create precision or recall score based on the metric you imported
score = ____(____, ____)
# Print the final result
print("The ____ value is {0:.2f}".format(____))