theasky / tdt05 Goto Github PK

tror cross_validation kan hjelpe på ressultet:

https://scikit-learn.org/stable/modules/cross_validation.html

dette er grunnen vi har flere test set.

Øke data med med target 1

før underfitting
predictions: 5
Recall: 9.144947416552355e-05
presision: 0.2
F1 score: 0.0003654302941713868

Since we have to little data we should weight target more,

ressults before scale weight:

predictions: 5
Recall: 9.144947416552355e-05
presision: 0.2
F1 score: 0.0003654302941713868

Check if shuffling of data have any effect

Vi kan prøve å trene modellen mer på target == 1 en tagert == 0, jeg har en teori om at dette vil gjøre at modellen vill ofterte forutsei target == 1, som i dag er et problem, hvor den sier 6/700 er target.

Check if bootstrap do any changes:
"Whether bootstrap samples are used when building trees. If False, the whole datset is used to build each tree."

bootstrap true (default):
predictions: 7
Recall: 0.00018291567587342235
presision: 0.2857142857142857
F1 score: 0.000730593607305936

------ HAR PRØVD ET PAR RUNDER; KLARER IKKE Å SLÅ RESSULTATET --------
Baserer seg på de to andre issuene, over- ogunderfitting. Denne slåt begge
underfitting = 50 000
overfitting = 25 000

predictions: 734
Recall: 0.008483954260420508
presision: 0.12534059945504086
F1 score: 0.02966784908094163