LoslegenKostenlos starten

Bewerte den AdaBoost-Klassifikator

Nachdem du ada trainiert und die Wahrscheinlichkeiten für die positive Klasse im Testset vorhergesagt hast, ist es Zeit, die ROC-AUC von ada zu bewerten. Denk daran: Die ROC-AUC eines binären Klassifikators kannst du mit der Funktion roc_auc_score() aus sklearn.metrics bestimmen.

Die Arrays y_test und y_pred_proba, die du in der vorherigen Übung berechnet hast, stehen in deinem Workspace bereit.

Diese Übung ist Teil des Kurses

<Kurs>Maschinelles Lernen mit baumbasierten Modellen in Python</Kurs>
Kurs ansehen

Übungsanweisungen

  • Importiere roc_auc_score aus sklearn.metrics.

  • Berechne die ROC-AUC auf dem Testset für ada, weise sie ada_roc_auc zu und gib sie aus.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Import roc_auc_score
____

# Evaluate test-set roc_auc_score
____ = ____(____, ____)

# Print roc_auc_score
print('ROC AUC score: {:.2f}'.format(ada_roc_auc))
Code bearbeiten und ausführen