Výpočet skóre ROC/AUC

Skóre Recall je sice důležitou metrikou pro měření přesnosti klasifikačního algoritmu, ale přikládá příliš velkou váhu počtu falešně negativních výsledků. Naopak Precision se soustředí na počet falešně pozitivních výsledků.

Kombinace obou těchto hodnot v podobě křivky ROC nám umožňuje měřit zároveň recall i precision. Plocha pod křivkou ROC se vypočítává jako skóre AUC.

V tomto cvičení vypočítáš skóre ROC/AUC pro počáteční model pomocí funkce roc_auc_score() z knihovny sklearn.

Proměnné features_test a target_test jsou dostupné v tvém pracovním prostoru.

Toto cvičení je součástí kurzu

HR Analytics: Predicting Employee Churn in Python

Zobrazit kurz

Pokyny k cvičení

Importuj funkci pro výpočet skóre ROC/AUC.
Pomocí počátečního modelu předpověz odchod zaměstnanců (na základě příznaků testovací sady).
Vypočítej skóre ROC/AUC porovnáním target_test s predikcí.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import the function to calculate ROC/AUC score
from sklearn.____ import ____

# Use initial model to predict churn (based on features_test)
prediction = model.predict(____)

# Calculate ROC/AUC score by comparing target_test with the prediction
____(____, prediction)

Upravit a spustit kód