Die ROC-Kurve
Nachdem du nun ein logistisches Regressionsmodell zur Vorhersage von Diabetesdiagnosen erstellt hast, kannst du die ROC-Kurve zeichnen, um zu sehen, wie sich die Rate wahrer Positive und die Rate falscher Positive je nach Entscheidungsschwellenwert verändern.
Die Testlabels (y_test) und die vorhergesagten Wahrscheinlichkeiten (y_pred_probs) dafür, dass die Testmerkmale zur positiven Klasse gehören, wurden für dich vorgeladen, zusammen mit matplotlib.pyplot als plt.
Du erstellst eine ROC-Kurve und interpretierst dann die Ergebnisse.
Diese Übung ist Teil des Kurses
Überwachtes Lernen mit scikit-learn
Interaktive Übung zum Anfassen
Probieren Sie diese Übung aus, indem Sie diesen Beispielcode ausführen.
# Import roc_curve
____
# Generate ROC curve values: fpr, tpr, thresholds
fpr, tpr, thresholds = ____(____, ____)
plt.plot([0, 1], [0, 1], 'k--')
# Plot tpr against fpr
plt.plot(____, ____)
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC Curve for Diabetes Prediction')
plt.show()