Tối ưu hóa Ngưỡng Quyết định (Decision Threshold) Tối đa hóa F1
Trong hệ thống cảnh báo xâm nhập mạng, nếu dùng ngưỡng 0.5, mô hình có thể bỏ lọt các vụ tấn công nghiêm trọng vì xác suất dự đoán chỉ đạt 0.35. Bằng cách hạ ngưỡng xuống 0.30, ta…
Tiến độ của tôi ở bài này
Điểm được lưu vào tài khoản sau khi chấm bài.
Đang tải điểm của bạn…
Kiến thức và chủ đề
Kiến thức tiên quyết: classification-metrics-suite.
Nội dung đề bài
Mục tiêu kiến thức
- Hiểu rằng ngưỡng mặc định 0.5 của hàm Sigmoid không phải lúc nào cũng tối ưu, đặc biệt khi dữ liệu bị mất cân bằng lớp.
- Quét qua không gian các ngưỡng quyết định (từ 0.00 đến 1.00) để tìm điểm hoạt động tối ưu hóa chỉ số F1-Score.
- Ra quyết định phân loại: y = 1 nếu P(y=1) ≥ θ, ngược lại bằng 0.
Mô tả bài toán
Trong hệ thống cảnh báo xâm nhập mạng, nếu dùng ngưỡng 0.5, mô hình có thể bỏ lọt các vụ tấn công nghiêm trọng vì xác suất dự đoán chỉ đạt 0.35. Bằng cách hạ ngưỡng xuống 0.30, ta có thể tăng vọt tỷ lệ phát hiện (Recall) mà vẫn giữ được F1-score ở mức cao nhất.
Yêu cầu
Viết hàm find_optimal_threshold(y_true: np.ndarray, y_probs: np.ndarray, num_thresholds: int = 101) -> tuple[float, float]:
- Tạo danh sách các ngưỡng phân vị đều đặn từ 0.0 đến 1.0 với số lượng
num_thresholdsđiểm (np.linspace(0.0, 1.0, num_thresholds)). - Với mỗi ngưỡng θ:
- Nhị phân hóa dự đoán: y = (yprobs ≥ θ).astype(int).
- Tính F1-score. Nếu cả Precision và Recall bằng 0 thì F1 = 0.
- Tìm ngưỡng θ* đạt giá trị F1 lớn nhất. Nếu có nhiều ngưỡng cho cùng giá trị F1 tối đa, ưu tiên chọn ngưỡng xuất hiện đầu tiên.
- Trả về tuple
(float(best_threshold), float(max_f1)).
import numpy as np
def find_optimal_threshold(y_true: np.ndarray, y_probs: np.ndarray, num_thresholds: int = 101) -> tuple[float, float]:
passInput
- Hàm
find_optimal_threshold(y_true,y_probs,num_thresholds): Các tham số đầu vào chứa dữ liệu Tensor/mảng NumPy hoặc giá trị siêu tham số tương ứng.
Output
- Hàm
find_optimal_threshold: Trả về kết quả kiểutuple[float, float]theo đúng đặc tả kỹ thuật và kích thước quy định.
Ràng buộc
- Thời gian chạy tối đa: 2000ms.
- Giới hạn bộ nhớ: 256MB.
- Dữ liệu đầu vào hợp lệ theo đúng kiểu dữ liệu và miền giá trị được mô tả.
Ví dụ 1
Input
y_true = np.array([1, 1, 1, 0, 0, 0, 0, 0])
y_probs = np.array([0.35, 0.32, 0.31, 0.2, 0.15, 0.1, 0.05, 0.02])
best_th, max_f1 = find_optimal_threshold(y_true, y_probs, num_thresholds=101)Output
(0.21, 1)Giải thích
Hàm/lớp được gọi với các tham số mẫu trên và trả về kết quả số học / kích thước tensor tương ứng theo đúng thiết kế.
Ví dụ 2
Input
y_true = np.array([1, 0, 0, 0])
y_probs = np.array([0.85, 0.8, 0.6, 0.1])
best_th, max_f1 = find_optimal_threshold(y_true, y_probs, num_thresholds=101)Output
(0.81, 1)Giải thích
Hàm/lớp được gọi với các tham số mẫu trên và trả về kết quả số học / kích thước tensor tương ứng theo đúng thiết kế.
Gợi ý và lời giải chỉ mở sau khi bạn bấm Nộp bài. Giáo viên và quản trị viên mở được ngay.
Góp ý & báo lỗi bài tập
Đề bài chưa rõ, test có vấn đề hay bạn có ý tưởng giúp bài tốt hơn? Gửi cho đội ngũ AI Empire nhé — mỗi góp ý đều được đọc.