Curva ROC

Ahora vamos a crear una curva ROC para nuestro clasificador de random forest. El primer paso es calcular las probabilidades predichas que devuelve el clasificador para cada etiqueta usando su método .predict_proba(). Después, puedes usar la función roc_curve de sklearn.metrics para calcular la tasa de falsos positivos y la tasa de verdaderos positivos, que luego podrás representar con matplotlib.

Se ha ajustado un RandomForestClassifier con un tamaño de conjunto de entrenamiento del 70% y está disponible en tu espacio de trabajo como clf.