Ciencia de los datos - entrevistas

🤔 Расскажи про метрики, классификацию? Для оценки моделей классификации позволяют определить, насколько хорошо модель справляется с задачей предсказания классов. 🚩Основные метрики классификации 🟠Точность (Accuracy) Доля правильных предсказаний. Когда классы сбалансированы. \text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN} 🟠Полнота (Recall) Доля правильно предсказанных положительных примеров. Когда важно минимизировать пропуск положительных случаев. \text{Recall} = \frac{TP}{TP + FN} 🟠Точность (Precision) Доля правильно предсказанных положительных примеров из всех предсказанных положительных. Когда важно минимизировать количество ложноположительных случаев. \text{Precision} = \frac{TP}{TP + FP} 🟠F-мера (F-score) Гармоническое среднее между точностью и полнотой. Когда нужно сбалансировать точность и полноту. F_1 = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}} 🟠Матрица ошибок (Confusion Matrix) Таблица с количеством истинных положительных, истинных отрицательных, ложноположительных и ложноотрицательных предсказаний. 🟠ROC-кривая и AUC ROC-кривая показывает соотношение истинно положительных и ложноположительных срабатываний при различных порогах. AUC – площадь под ROC-кривой. Для оценки качества моделей при различных порогах классификации. 🚩Примеры использования Accuracy, Precision, Recall и F1-Score from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, confusion_matrix # Истинные метки и предсказанные метки y_true = [0, 1, 1, 1, 0, 1, 0, 0, 1, 1] y_pred = [0, 1, 0, 1, 0, 1, 0, 1, 1, 0] # Вычисление метрик accuracy = accuracy_score(y_true, y_pred) precision = precision_score(y_true, y_pred) recall = recall_score(y_true, y_pred) f1 = f1_score(y_true, y_pred) cm = confusion_matrix(y_true, y_pred) print(f"Accuracy: {accuracy}") print(f"Precision: {precision}") print(f"Recall: {recall}") print(f"F1 Score: {f1}") print(f"Confusion Matrix:\n{cm}") ROC-кривая и AUC import numpy as np import matplotlib.pyplot as plt from sklearn.metrics import roc_curve, roc_auc_score # Истинные метки и предсказанные вероятности y_true = [0, 1, 1, 1, 0, 1, 0, 0, 1, 1] y_scores = [0.1, 0.4, 0.35, 0.8, 0.2, 0.75, 0.3, 0.4, 0.85, 0.6] # Вычисление ROC-кривой и AUC fpr, tpr, thresholds = roc_curve(y_true, y_scores) roc_auc = roc_auc_score(y_true, y_scores) # Построение ROC-кривой plt.figure() plt.plot(fpr, tpr, color='darkorange', lw=2, label=f'ROC-кривая (AUC = {roc_auc:.2f})') plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--') plt.xlim([0.0, 1.0]) plt.ylim([0.0, 1.0]) plt.xlabel('False Positive Rate') plt.ylabel('True Positive Rate') plt.title('ROC-кривая') plt.legend(loc="lower right") plt.show() Ставь 👍 и забирай 📚 Базу знаний