Calcul du score ROC/AUC
Bien que le score de rappel (Recall) soit une mesure importante de la justesse d'un algorithme de classification, il accorde trop de poids au nombre de faux négatifs. À l'inverse, la précision (Precision) met surtout l'accent sur le nombre de faux positifs.
La combinaison des deux, présentée dans la courbe ROC, permet de mesurer à la fois le rappel et la précision. L'aire sous la courbe ROC correspond au score AUC.
Dans cet exercice, vous allez calculer le score ROC/AUC pour le modèle initial à l'aide de la fonction roc_auc_score() de sklearn.
Les variables features_test et target_test sont disponibles dans votre espace de travail.
Cette activité fait partie du cours
Analytique RH : prédire le roulement du personnel avec Python
Instructions de l’exercice
- Importez la fonction pour calculer le score ROC/AUC.
- Utilisez le modèle initial pour prédire le départ volontaire (churn) à partir des caractéristiques de l'ensemble de test.
- Calculez le score ROC/AUC en comparant
target_testà la prédiction.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Import the function to calculate ROC/AUC score
from sklearn.____ import ____
# Use initial model to predict churn (based on features_test)
prediction = model.predict(____)
# Calculate ROC/AUC score by comparing target_test with the prediction
____(____, prediction)