Классификация по фиксированному правилу

Дан список меток (0 и 1) до разделения и два списка после разделения 
на левую и правую части. Вычисли информационную выгоду.

Формат входных данных
- Первая строка: N — количество элементов до разделения
- Вторая строка: N чисел (0 или 1) — метки до разделения
- Третья строка: L — количество элементов в левой части
- Четвёртая строка: L чисел (0 или 1) — метки левой части
- Пятая строка: R — количество элементов в правой части
- Шестая строка: R чисел (0 или 1) — метки правой части

Гарантируется, что L + R = N и L, R > 0.

Формат выходных данных
Одно число — информационная выгода, округлённое до 4 знаков после запятой.

Напиши программу для анализа качества классификации.

Входные данные:

Первая строка: n — количество примеров

Вторая строка: n чисел — реальные классы (0 или 1)

Третья строка: n чисел — предсказанные классы (0 или 1)

 

Выходные данные:

Выведи через пробел (округли до 2 знаков):

1. Accuracy

2. Precision

3. Recall

4. F1-score

 

Примечания:

- Если Precision или Recall считать невозможно (деление на 0), выведи 0.00

- Формат вывода: 0.87 0.92 0.85 0.88 (4 числа через пробел)

По заданным параметрам: коэффициенту модели (w), свободному члену (b), температуре(t) и порогу принятия решения (p) определите и выведите на экран значения z, p, класс (1-болен/0-здоров/? - граница)

Формат входных данных
4 вещественных числа, каждое в отдельной строке:
w - коэффициент модели 
b - свободный член
t - температура пациента 
p - порог принятия решения

Формат выходных данных
Выведите три числа через пробел: z (вещественное число с точностью до сотых), p (вещественное число от 0 до 1 с точностью до сотых), класс (1-болен/0-здоров/? - граница)

Каким должен быть порог, чтобы поймать ВСЕ спам-письма (Recall = 100%)?

Выберите правильный ответ

1. 0.3
2. 0.4
3. 0.43
4. 0.5

 

Классификация пациентов по температуре

Дана модель логистической регрессии для предсказания вероятности болезни пациента на основе его температуры тела. Модель использует сигмоидную функцию:
 \(p =\frac{1}{1+e^{-(w \cdot t + b)}}\)
где t — температура пациента, w и b — параметры модели.​

Пациент считается больным, если вероятность болезни P≥0.5.​

Формат входных данных

• В первой строке через пробел вводятся два вещественных числа: w и b — параметры модели

• Во второй строке вводится целое число n — количество пациентов (1≤n≤100)

• В следующих n строках вводятся вещественные числа — температуры пациентов

Формат выходных данных
Для каждого пациента, который относится к классу "болен", вывести в отдельной строке два числа через пробел: его температуру и вероятность болезни (тольцо целую часть вероятности - без округления). Строки выводить в порядке возрастания температуры пациента.

Интернет-магазин анализирует поведение покупателей и автоматически делит их на группы: «экономные», «люксовые покупатели», «импульсные покупатели» и т.д.

Какой тип машинного обучения здесь применяется?

1. Классификация
2. Кластеризация
3. Регрессия

Что отличает задачу классификации от задачи регрессии?

Варианты ответа:
1) Классификация предсказывает непрерывные значения, а регрессия — категориальные.
2) Классификация и регрессия обе предсказывают только непрерывные значения.
3) Классификация предсказывает категориальные метки, а регрессия — непрерывные значения.
4) Классификация и регрессия обе предсказывают только категориальные метки.

Каково назначение функции pivot_table() в Pandas?

1. Для создания нового DataFrame
2. Для поворота строк и столбцов в DataFrame
3. Для выполнения статистических операций над DataFrame
4. Для создания сводной таблицы