Даны y_true и y_proba -- истинные метки и предсказанные вероятности (100 значений). Посчитайте ROC-AUC модели и найдите оптимальный порог классификации по F1-score (перебирая пороги от 0.1 до 0.9 с шагом 0.05). Сохраните dict {"roc_auc":..., "best_threshold":..., "best_f1":...} (округлённые до 4 знаков) в `result`.
ROC_AUC threshold f1_score classification
Задача «ROC-AUC: оценка бинарного классификатора» учит решать задачи на scikit-learn так, как это спрашивают на собеседовании аналитика данных. Такие задачи дают на собеседованиях в VK и других IT-компаниях. Уровень средний — типичная боевая задача на уверенный Python.
Сначала разбери условие и формат входа-выхода, прикинь крайние случаи (пустой ввод, дубли, NaN). Затем выбери структуру данных и собери решение по шагам — начни с простого рабочего варианта, потом оптимизируй сложность. Код пишешь и запускаешь прямо в браузере: Python-тренажёр исполняет его через Pyodide (pandas, numpy, scipy) и проверяет результат автоматически.
На собеседовании по Python для аналитика ценят чистый читаемый код, корректную обработку крайних случаев (пустой ввод, дубли, None) и умение вслух оценить сложность по времени и памяти. Часто просят не просто решить, а разобрать альтернативные подходы и показать, где наивное решение сломается на большом объёме данных.
Прокачать Python для аналитики — бесплатный курс «Pandas с нуля» и Python-тренажёр.
Открыть задачу в тренажёре → ← Все Python-задачи