Začněte nyníZačněte zdarma

Víc než jen přesnost

V tomto cvičení se podíváš za hranice pouhé přesnosti a vyhodnotíš AUC křivky ROC pro základní model rozhodovacího stromu. Pamatuj, že základní hodnota pro náhodný klasifikátor je AUC 0,5 – tvým cílem je dosáhnout vyššího skóre.

X je k dispozici jako DataFrame s příznaky a y jako DataFrame s cílovými hodnotami. V pracovním prostředí máš také k dispozici sklearn a pandas jako pd.

Toto nastavení použijeme k prozkoumání AUC naší křivky ROC.

Toto cvičení je součástí kurzu

Předpovídání CTR pomocí Machine Learning v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Rozděl data na trénovací a testovací sady.
  • Natrénuj klasifikátor na trénovacích datech a proveď predikce pro testovací data pomocí predict_proba() a predict().
  • Vyhodnoť AUC pod křivkou ROC pomocí funkce roc_curve() na y_test ve tvaru roc_curve(y_test, y_score[:, 1]).

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Training and testing
X_train, X_test, y_train, y_test = \
	____(X, y, test_size = .2, random_state = 0)

# Create decision tree classifier
clf = DecisionTreeClassifier()

# Train classifier - predict probability score and label
y_score = clf.fit(____, ____).predict_proba(____) 
y_pred = clf.fit(____, ____).predict(____) 

# Get ROC curve metrics
fpr, tpr, thresholds = ____(____, y_score[:, 1])
roc_auc = auc(fpr, tpr)
print(roc_auc)
Upravit a spustit kód