ROC křivka
Teď, když máš sestavený model logistické regrese pro predikci diabetu, můžeš vykreslit ROC křivku a vizualizovat, jak se mění míra pravých pozitiv a míra falešných pozitiv v závislosti na změně rozhodovacího prahu.
Testovací štítky y_test a predikované pravděpodobnosti příslušnosti testovacích příznaků k pozitivní třídě y_pred_probs jsou pro tebe přednahrané, stejně jako matplotlib.pyplot jako plt.
Vykreslíš ROC křivku a poté interpretuješ výsledky.
Toto cvičení je součástí kurzu
Supervised Learning with scikit-learn
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Import roc_curve
____
# Generate ROC curve values: fpr, tpr, thresholds
fpr, tpr, thresholds = ____(____, ____)
plt.plot([0, 1], [0, 1], 'k--')
# Plot tpr against fpr
plt.plot(____, ____)
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC Curve for Diabetes Prediction')
plt.show()