ROC/AUC स्कोर की गणना
हालाँकि Recall स्कोर किसी क्लासिफिकेशन एल्गोरिदम की सटीकता मापने के लिए एक महत्वपूर्ण मैट्रिक है, यह False Negatives की संख्या को बहुत अधिक वज़न देता है. दूसरी ओर, Precision का फोकस False Positives की संख्या पर होता है.
इन दोनों का संयोजन ROC कर्व के रूप में हमें रिकॉल और प्रिसीज़न दोनों को एक साथ मापने देता है. ROC कर्व के नीचे का क्षेत्र AUC स्कोर कहलाता है.
इस अभ्यास में, आप sklearn की roc_auc_score() फंक्शन का उपयोग करके शुरुआती मॉडल के लिए ROC/AUC स्कोर गणना करेंगे.
features_test और target_test वैरिएबल आपके वर्कस्पेस में उपलब्ध हैं.
यह अभ्यास पाठ्यक्रम का हिस्सा है
HR Analytics: Python में कर्मचारी churn की भविष्यवाणी
अभ्यास निर्देश
- ROC/AUC स्कोर की गणना करने वाला फंक्शन इम्पोर्ट करें.
- शुरुआती मॉडल का उपयोग करके टेस्ट सेट के फीचर्स के आधार पर churn प्रेडिक्ट करें.
target_testकी तुलना prediction से करके ROC/AUC स्कोर निकालें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# Import the function to calculate ROC/AUC score
from sklearn.____ import ____
# Use initial model to predict churn (based on features_test)
prediction = model.predict(____)
# Calculate ROC/AUC score by comparing target_test with the prediction
____(____, prediction)