ROC-Kurve

Erstellen wir jetzt eine ROC-Kurve für unseren Random-Forest-Klassifikator. Der erste Schritt ist, mit der Methode .predict_proba() die vorhergesagten Wahrscheinlichkeiten zu berechnen, die der Klassifikator für jedes Label ausgibt. Anschließend kannst du mit der Funktion roc_curve aus sklearn.metrics die False-Positive-Rate und True-Positive-Rate berechnen und diese dann mit matplotlib plotten.

Ein RandomForestClassifier mit einer Trainingssatzgröße von 70 % wurde auf die Daten gefittet und steht dir in deinem Workspace als clf zur Verfügung.