Дано: массивы y_true и y_proba (вероятности класса 1) -- 200 значений. При пороге классификации 0.5 (proba ≥ 0.5 → 1) посчитайте: матрицу ошибок, ROC-AUC и F1-score. Сохраните dict {"confusion_matrix": list of lists, "roc_auc": round(4), "f1": round(4), "threshold": 0.5} в `result`.
confusion_matrix roc_auc f1_score classification
Задача «Confusion matrix и ROC-AUC» учит решать задачи на scikit-learn так, как это спрашивают на собеседовании аналитика данных. Такие задачи дают на собеседованиях в Delivery Club и других IT-компаниях. Уровень сложный — проверяет глубину и умение собрать решение из нескольких приёмов.
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