ПочатиПочніть безкоштовно

Оцінювання precision і ROI

У цій вправі ви продовжите попередню й запустите MLPClassifier, а також порівняєте його з трьома іншими класифікаторами, які ви вже використовували. Для кожного класифікатора ви обчислите точність (precision) та імпліцитний ROI від рекламних витрат. Як і раніше, маємо тренувальні та тестові підвибірки для X і y: відповідно X_train, X_test для X та y_train, y_test для y, а ознаки вже стандартизовано.

Ця вправа є частиною курсу

Прогнозування CTR за допомогою машинного навчання в Python

Переглянути курс

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Create list of classifiers
names = ['Logistic Regression',  'Decision Tree',
         'Random Forest', 'Multi-Layer Perceptron']
clfs = [LogisticRegression(), 
        DecisionTreeClassifier(), RandomForestClassifier(), 
        MLPClassifier(hidden_layer_sizes = (5, ), max_iter = 40)]

# Fit each classifier and evaluate AUC of ROC curve 
for name, classifier in zip(names, clfs):
  classifier.____(____, ____)
  y_score = classifier.____(X_test)
  y_pred = classifier.____(X_test) 
  prec = ____(____, y_pred, average = 'weighted')
  print("Precision for %s: %s " %(name, prec))
Редагувати та запускати код