LoslegenKostenlos loslegen

Den optimalen Baum auswerten

In dieser Übung bewertest du den ROC-AUC-Score auf dem Testset für das optimale Modell von grid_dt.

Dazu bestimmst du zunächst für jede Beobachtung im Testset die Wahrscheinlichkeit, das positive Label zu erhalten. Du kannst die Methode predict_proba() eines sklearn-Klassifikators verwenden, um ein 2D-Array zu berechnen, das spaltenweise die Wahrscheinlichkeiten der negativen und positiven Klassenlabels enthält.

Der Datensatz ist bereits für dich geladen und verarbeitet (numerische Features sind standardisiert); er ist in 80 % Train und 20 % Test aufgeteilt. X_test, y_test stehen in deinem Workspace zur Verfügung. Zusätzlich haben wir das trainierte GridSearchCV-Objekt grid_dt geladen, das du in der vorherigen Übung erzeugt hast. Beachte, dass grid_dt wie folgt trainiert wurde:

grid_dt.fit(X_train, y_train)

Diese Übung ist Teil des Kurses

Maschinelles Lernen mit baumbasierten Modellen in Python

Kurs anzeigen

Anleitung zur Übung

  • Importiere roc_auc_score aus sklearn.metrics.

  • Extrahiere das Attribut .best_estimator_ aus grid_dt und weise es best_model zu.

  • Sage die Testset-Wahrscheinlichkeiten für die positive Klasse als y_pred_proba voraus.

  • Berechne den ROC-AUC-Score auf dem Testset test_roc_auc von best_model.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Import roc_auc_score from sklearn.metrics
____

# Extract the best estimator
best_model = ____

# Predict the test set probabilities of the positive class
y_pred_proba = ____

# Compute test_roc_auc
test_roc_auc = ____

# Print test_roc_auc
print('Test set ROC AUC score: {:.3f}'.format(test_roc_auc))
Code bearbeiten und ausführen