Mesurer l'AUC

Maintenant que vous avez utilisé la validation croisée pour calculer la précision moyenne hors échantillon (après conversion à partir d'une erreur), il est très simple de calculer toute autre mesure qui vous intéresse. Il suffit de la transmettre (ou une liste de mesures) en argument au paramètre metrics de xgb.cv().

Votre tâche dans cet exercice est de calculer une autre mesure courante en classification binaire : l'aire sous la courbe ("auc"). Comme précédemment, churn_data est disponible dans votre espace de travail, ainsi que la DMatrix churn_dmatrix et le dictionnaire de paramètres params.

Cette activité fait partie du cours

Amorçage de gradient avancé avec XGBoost

Voir le cours

Instructions de l’exercice

Effectuez une validation croisée en 3 plis avec 5 itérations d'« boosting » et "auc" comme mesure.
Affichez la colonne "test-auc-mean" de cv_results.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Perform cross_validation: cv_results
cv_results = ____(dtrain=____, params=____, 
                  nfold=____, num_boost_round=____, 
                  metrics="____", as_pandas=True, seed=123)

# Print cv_results
print(cv_results)

# Print the AUC
print((cv_results["____"]).iloc[-1])

Modifier et exécuter le code