AUC ROC
La courbe ROC que vous avez tracée dans l'exercice précédent semblait prometteuse.
Vous allez maintenant calculer l'aire sous la courbe ROC, ainsi que d'autres mesures de classification que vous avez déjà utilisées.
Les fonctions confusion_matrix et classification_report sont déjà chargées pour vous, tout comme le modèle logreg que vous avez construit précédemment, ainsi que X_train, X_test, y_train, y_test. De plus, les étiquettes prédites sur l'ensemble de test sont stockées dans y_pred, et les probabilités que les observations de l'ensemble de test appartiennent à la classe positive sont stockées dans y_pred_probs.
Un modèle knn a aussi été créé et ses mesures de performance sont affichées dans la console, afin que vous puissiez comparer le roc_auc_score, la confusion_matrix et le classification_report entre les deux modèles.
Cette activité fait partie du cours
Apprentissage supervisé avec scikit-learn
Instructions de l’exercice
- Importez
roc_auc_score. - Calculez et affichez le score AUC ROC, en passant les étiquettes de test et les probabilités prédites de la classe positive.
- Calculez et affichez la matrice de confusion.
- Appelez
classification_report().
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Import roc_auc_score
____
# Calculate roc_auc_score
print(____(____, ____))
# Calculate the confusion matrix
print(____(____, ____))
# Calculate the classification report
print(____(____, ____))