Začněte nyníZačněte zdarma

Využití nejlepších výsledků

Analýza výsledků grid search je zajímavá, ale náš hlavní cíl je praktický – chceme pomocí estimátoru generovat predikce na testovací sadě.

K tomuto objektu se dostaneme přes vlastnost best_estimator_ objektu grid search.

Podívejme se dovnitř vlastnosti best_estimator_, vytvoříme predikce a vypočítáme hodnotící skóre. Nejprve použijeme výchozí metodu predict (vrací predikce tříd), ale pro výpočet ROC-AUC skóre budeme potřebovat predict_proba místo predict – ROC-AUC totiž vyžaduje pravděpodobnostní skóre. Pomocí výřezu [:,1] získáme pravděpodobnosti pro pozitivní třídu.

Máš k dispozici datové sady X_test a y_test a objekt grid_rf_class z předchozích cvičení.

Toto cvičení je součástí kurzu

Hyperparameter Tuning in Python

Zobrazit kurz

Pokyny k cvičení

  • Zkontroluj typ vlastnosti best_estimator_.
  • Pomocí vlastnosti best_estimator_ vytvoř predikce na testovací sadě.
  • Z predikcí vygeneruj matici záměn a ROC_AUC skóre.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# See what type of object the best_estimator_ property is
print(____(____.____))

# Create an array of predictions directly using the best_estimator_ property
predictions = grid_rf_class.____._____(X_test)

# Take a look to confirm it worked, this should be an array of 1's and 0's
print(predictions[0:5])

# Now create a confusion matrix 
print("Confusion Matrix \n", confusion_matrix(y_test, ______))

# Get the ROC-AUC score
predictions_proba = grid_rf_class.best_estimator_.predict_proba(X_test)[:,1]
print("ROC-AUC Score \n", roc_auc_score(y_test, _____))
Upravit a spustit kód