ROC křivka
Teď vytvoříme ROC křivku pro náš klasifikátor náhodného lesa. Prvním krokem je výpočet předpovězených pravděpodobností, které klasifikátor vrátí pro každý label – k tomu slouží metoda .predict_proba(). Pak pomocí funkce roc_curve z sklearn.metrics vypočítáš míru falešně pozitivních a skutečně pozitivních výsledků a výsledky vizualizuješ v matplotlib.
RandomForestClassifier natrénovaný na 70 % dat je k dispozici v pracovním prostředí jako clf.
Toto cvičení je součástí kurzu
Marketing Analytics: Predicting Customer Churn in Python
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Generate the probabilities
y_pred_prob = ____.____(____)[:, 1]