Точність і повнота
І точність, і повнота пов'язані з чотирма результатами, розглянутими в попередньому уроці, і є важливими метриками оцінювання будь-якої моделі машинного навчання. Модель CTR для реклами бажано має високу точність (висока окупність рекламних витрат, ROI) і повноту (релевантне таргетування аудиторії). Хоча можна обчислити точність і повноту вручну, у sklearn є зручні реалізації, які легко вбудувати у наявний робочий процес. У цій вправі ви налаштуєте дерево рішень і обчислите точність та повноту.
Модуль pandas доступний як pd у вашому робочому середовищі, а зразковий датафрейм завантажено як df. Ознаки завантажено в X, а ціль — у y для використання. Крім того, доступні precision_score() і recall_score() з sklearn.metrics.
Ця вправа є частиною курсу
Прогнозування CTR за допомогою машинного навчання в Python
Інструкції до вправи
- Отримайте тренувальні та тестові підвибірки для
Xіy. - Визначте класифікатор на основі дерева рішень і, навчивши модель, отримайте передбачення
y_pred. - Використайте реалізації з
sklearn, щоб отримати значення точності та повноти.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Set up training and testing split
X_train, X_test, y_train, y_test = ____(
____, ____, test_size = .2, random_state = 0)
# Create classifier and make predictions
clf = ____
y_pred = clf.____(____, _____).____(X_test)
# Evaluate precision and recall
prec = ____(y_test, ____, average = 'weighted')
recall = ____(y_test, ____, average = 'weighted')
print("Precision: %s, Recall: %s" %(prec, recall))