Courbe ROC

Créons maintenant une courbe ROC pour notre classifieur par forêt aléatoire. La première étape consiste à calculer les probabilités prédites retournées par le classifieur pour chaque étiquette au moyen de sa méthode .predict_proba(). Ensuite, vous pouvez utiliser la fonction roc_curve de sklearn.metrics pour calculer le taux de faux positifs et le taux de vrais positifs, que vous pourrez tracer avec matplotlib.

Un RandomForestClassifier entraîné avec un ensemble d'entraînement de 70 % a été ajusté aux données et est disponible dans votre espace de travail sous le nom clf.