CommencezCommencez gratuitement

Tracer les courbes ROC

Vous avez vu encore une fois que l'arbre boosté donne l'AUC la plus élevée. Les chiffres, c'est bien, mais une image, c'est encore mieux ! Pourquoi ne pas visualiser ces résultats ?

Vous allez illustrer la performance des modèles en traçant toutes les courbes ROC sur un même graphique. Comme l'AUC correspond littéralement à l'aire sous ces courbes ROC, le modèle boosté devrait avoir la plus grande aire sous sa courbe ROC et apparaître dans le coin supérieur gauche du graphique.

Le tibble de prédictions, preds_combined, est toujours chargé.

Cette activité fait partie du cours

Machine Learning avec des modèles arborescents en R

Voir le cours

Instructions de l’exercice

  • Remodellez le tibble preds_combined pour que toutes les colonnes qui commencent par "preds_" deviennent des lignes plutôt que des colonnes. Convertissez les noms en une colonne "model" et les valeurs en une colonne appelée "predictions".
  • Regroupez les résultats par model.
  • Calculez les valeurs de la ROC pour tous les seuils.
  • Produisez un graphique des courbes.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Reshape the predictions into long format
predictions_long <- tidyr::pivot_longer(___,
                                        cols = starts_with("___"),
                                        names_to = "___",
                                        values_to = "___")

predictions_long %>% 
  # Group by model
  ___(___) %>% 
  # Calculate values for every cutoff
  ___(truth = ___, 
      estimate = ___) %>%
  # Create a plot from the calculated data
  ___()
Modifier et exécuter le code