Začněte nyníZačněte zdarma

ROC AUC

ROC křivka, kterou jsi vykreslil/a v předchozím cvičení, vypadala slibně.

Teď vypočítáš plochu pod ROC křivkou spolu s dalšími klasifikačními metrikami, které jsi používal/a dříve.

Funkce confusion_matrix a classification_report jsou pro tebe předpřipraveny, stejně jako model logreg, který jsi vytvořil/a dříve, a proměnné X_train, X_test, y_train, y_test. Predikované štítky testovací sady jsou uloženy jako y_pred a pravděpodobnosti příslušnosti pozorování z testovací sady k pozitivní třídě jako y_pred_probs.

Byl také vytvořen model knn a jeho výkonnostní metriky jsou vypsány v konzoli – můžeš tak porovnat roc_auc_score, confusion_matrix a classification_report mezi oběma modely.

Toto cvičení je součástí kurzu

Supervised Learning with scikit-learn

Zobrazit kurz

Pokyny k cvičení

  • Importuj roc_auc_score.
  • Vypočítej a vypiš skóre ROC AUC – předej mu testovací štítky a predikované pravděpodobnosti pozitivní třídy.
  • Vypočítej a vypiš matici záměn.
  • Zavolej classification_report().

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import roc_auc_score
____

# Calculate roc_auc_score
print(____(____, ____))

# Calculate the confusion matrix
print(____(____, ____))

# Calculate the classification report
print(____(____, ____))
Upravit a spustit kód