ПочатиПочніть безкоштовно

Зміна порогів

У відео ви бачили, як NannyML обчислює порогові значення, і дізналися, як налаштовувати їх під ваші потреби.

У цій вправі потрібно визначити два власні методи порогів — за стандартним відхиленням і сталий — а потім застосувати їх до результатів, отриманих алгоритмом CBPE для набору даних US Census.

Опорну та аналітичну вибірки вже завантажено як reference і analysis, а також бібліотеку nannyml.

Ця вправа є частиною курсу

Моніторинг Machine Learning у Python

Переглянути курс

Інструкції до вправи

  • Імпортуйте ConstantThreshold і StandardDeviationThreshold з nannyml.thresholds.
  • Ініціалізуйте метод за стандартним відхиленням і встановіть параметри std_lower_multiplier та std_upper_multiplier у значення 2.
  • Ініціалізуйте метод сталого порога і встановіть параметр lower на 0.9, а upper — на 0.98.
  • Передайте метод сталого порога для метрики f1, а метод стандартного відхилення — для accuracy в алгоритм CBPE.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Import custom thresholds
from ____.____ import ____, ____

# Initialize custom thresholds
stdt = ____(____=____, ____=____)
ct = ____(____=____, ____=____)

# Initialize the CBPE algorithm
estimator = nannyml.CBPE(
    problem_type='classification_binary',
    y_pred_proba='predicted_probability',
    y_pred='prediction',
    y_true='employed',
    metrics=['roc_auc', 'accuracy', 'f1'],
    thresholds={____: ____, ____: ____})
Редагувати та запускати код