Порівняння класифікаторів
Фреймворк ROI можна запускати для різних класифікаторів, щоб побачити, як вища precision і recall приводять до більшого ROI. Зверніть увагу: базовий класифікатор, який ви створили, матиме загальну віддачу та витрати 0, адже як справжні спрацювання tp, так і хибні спрацювання fp за задумом дорівнюватимуть 0. У цій вправі ви використаєте фреймворк ROI, щоб порівняти логістичну регресію та класифікатор на основі дерева рішень.
X_train, y_train, X_test, y_test доступні у вашому робочому середовищі, а також pandas як pd, numpy як np. LogisticRegression() із sklearn.linear_model також доступний.
Ця вправа є частиною курсу
Прогнозування CTR за допомогою машинного навчання в Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Create and fit classifier
clf = ____
y_pred = clf.____(X_train, y_train).____(X_test)
# Calculate total return, total spent, and ROI
r, cost = 0.2, 0.05
tn, fp, fn, tp = ____(y_test, y_pred).____
total_return = ____ * r
total_spent = (____ + ____) * cost
roi = total_return / total_spent
print("Total return: %s, Total spent: %s, ROI: %s" %(total_return, total_spent, roi))