分类器对比
可以将 ROI 框架应用于不同的分类器，观察更高的查准率（precision）和查全率（recall）如何带来更高的 ROI。请注意，您创建的基线分类器由于设计上真正例 tp 和假正例 fp 都为 0，因此总回报和成本都会为 0。本练习中，您将使用 ROI 框架比较逻辑回归与决策树分类器。
X_train、y_train、X_test、y_test 已在工作区中可用；同时还提供了将 pandas 导入为 pd、将 numpy 导入为 np。sklearn.linear_model 中的 LogisticRegression() 也已可用。
本练习是课程的一部分
用 Python 预测 CTR 的机器学习实战
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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))