La courbe ROC
Maintenant que vous avez construit un modèle de régression logistique pour prédire le statut de diabète, vous pouvez tracer la courbe ROC afin de visualiser comment le taux de vrais positifs et le taux de faux positifs varient lorsque le seuil de décision change.
Les étiquettes de test, y_test, et les probabilités prédites que les observations de test appartiennent à la classe positive, y_pred_probs, ont été préchargées pour vous, ainsi que matplotlib.pyplot sous le nom plt.
Vous allez créer une courbe ROC, puis interpréter les résultats.
Cette activité fait partie du cours
Apprentissage supervisé avec scikit-learn
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Import roc_curve
____
# Generate ROC curve values: fpr, tpr, thresholds
fpr, tpr, thresholds = ____(____, ____)
plt.plot([0, 1], [0, 1], 'k--')
# Plot tpr against fpr
plt.plot(____, ____)
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC Curve for Diabetes Prediction')
plt.show()