CommencezCommencez gratuitement

Au-delà de la seule exactitude

Dans cet exercice, pour aller au-delà de l'exactitude seulement, vous allez évaluer l'AUC de la courbe ROC pour un modèle de base en arbre de décision. Rappelez-vous que la référence pour un classifieur aléatoire est une AUC de 0,5 ; vous voudrez donc obtenir un score supérieur à 0,5.

X est disponible comme DataFrame contenant les variables explicatives, et y est disponible comme DataFrame contenant la variable cible. sklearn et pandas sous pd sont également disponibles dans votre espace de travail.

Nous utiliserons cette configuration pour examiner l'AUC de notre courbe ROC.

Cette activité fait partie du cours

Prédire le CTR avec le Machine Learning en Python

Voir le cours

Instructions de l’exercice

  • Divisez les données en ensembles d'entraînement et de test.
  • Ajustez le classifieur avec les données d'entraînement pour produire des prédictions sur l'ensemble de test à l'aide de predict_proba() et predict().
  • Évaluez l'AUC sous la courbe ROC en utilisant la fonction roc_curve() sur y_test via roc_curve(y_test, y_score[:, 1]).

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Training and testing
X_train, X_test, y_train, y_test = \
	____(X, y, test_size = .2, random_state = 0)

# Create decision tree classifier
clf = DecisionTreeClassifier()

# Train classifier - predict probability score and label
y_score = clf.fit(____, ____).predict_proba(____) 
y_pred = clf.fit(____, ____).predict(____) 

# Get ROC curve metrics
fpr, tpr, thresholds = ____(____, y_score[:, 1])
roc_auc = auc(fpr, tpr)
print(roc_auc)
Modifier et exécuter le code