معیار ارزیابی مدل را متناسب با هزینه خطا انتخاب کن
Weekly Challenge · Machine Learning
صورت مسئله
داده نامتوازن را با stratify جدا کن و معیار را متناسب با هزینه خطا انتخاب کن.
آزمون‌های پذیرش
- کلاس نامتوازن
- داده آزمون دست‌نخورده
- معیار recall
این‌ها معیارهای پیشنهادی ارزیابی‌اند؛ ذخیره پاسخ به معنای قبولی در آزمون خودکار نیست.
نمونه راه‌حل
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import recall_score
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, stratify=y, random_state=42)
model = LogisticRegression(max_iter=1000, class_weight="balanced")
model.fit(X_train, y_train)
print(recall_score(y_test, model.predict(X_test)))خروجی
هنوز کدی اجرا نشده است.
کد شما با مفسر واقعی Python (Pyodide) در مرورگر اجرا می‌شود و فایل‌های پروژه بین اجراها و بین ادیتور و ترمینال مشترک‌اند. بسته‌های سازگار با Pyodide هنگام اجرا بارگیری می‌شوند؛ دسترسی به فایل واقعی دستگاه، شبکه و پوسته سیستم‌عامل وجود ندارد.
راهنمای تمرین
- فایل‌های داده را با نام نسبی مثل
data.csvبخوان. - برای بسته‌ها از
pip install numpyدر ترمینال استفاده کن. - حالت‌های مرزی و خطاها را در فایل جداگانه آزمون کن.