AUC messen

Nachdem du mit Cross-Validation die durchschnittliche Out-of-Sample-Genauigkeit berechnet hast (nach der Umrechnung aus einem Fehler), ist es ganz einfach, jede andere Kennzahl zu berechnen, die dich interessiert. Du musst sie nur (oder eine Liste von Kennzahlen) als Argument an den Parameter metrics von xgb.cv() übergeben.

Deine Aufgabe in dieser Übung ist es, eine weitere gängige Kennzahl für binäre Klassifikation zu berechnen – die Fläche unter der Kurve ("auc"). Wie zuvor stehen dir churn_data im Workspace sowie die DMatrix churn_dmatrix und das Parameter-Wörterbuch params zur Verfügung.

Diese Übung ist Teil des Kurses

Extreme Gradient Boosting mit XGBoost

Kurs anzeigen

Anleitung zur Übung

Führe eine 3-fache Cross-Validation mit 5 Boosting-Runden und "auc" als Kennzahl durch.
Gib die Spalte "test-auc-mean" von cv_results aus.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Perform cross_validation: cv_results
cv_results = ____(dtrain=____, params=____, 
                  nfold=____, num_boost_round=____, 
                  metrics="____", as_pandas=True, seed=123)

# Print cv_results
print(cv_results)

# Print the AUC
print((cv_results["____"]).iloc[-1])

Code bearbeiten und ausführen