शुरू करेंमुफ़्त में शुरू करें

ROC AUC

पिछले अभ्यास में जो ROC कर्व आपने प्लॉट किया था, वह काफ़ी अच्छा लग रहा था.

अब आप ROC कर्व के नीचे का क्षेत्रफल (area under the curve) गणना करेंगे, साथ ही वे अन्य classification metrics भी जो आपने पहले इस्तेमाल की थीं.

confusion_matrix और classification_report फंक्शंस आपके लिए प्रीलोड किए गए हैं. इसके साथ ही पहले बनाया हुआ logreg मॉडल, और X_train, X_test, y_train, y_test भी उपलब्ध हैं. मॉडल के टेस्ट सेट के predicted labels y_pred के रूप में स्टोर हैं, और positive class से संबंधित टेस्ट observations की probabilities y_pred_probs में स्टोर हैं.

एक knn मॉडल भी बनाया गया है और उसके performance metrics कंसोल में प्रिंट किए गए हैं, ताकि आप दोनों मॉडलों के बीच roc_auc_score, confusion_matrix, और classification_report की तुलना कर सकें.

यह अभ्यास पाठ्यक्रम का हिस्सा है

scikit-learn के साथ Supervised Learning

पाठ्यक्रम देखें

अभ्यास निर्देश

  • roc_auc_score import करें.
  • ROC AUC स्कोर की गणना करें और प्रिंट करें, जिसमें test labels और predicted positive class probabilities पास करें.
  • confusion matrix की गणना करें और प्रिंट करें.
  • classification_report() कॉल करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Import roc_auc_score
____

# Calculate roc_auc_score
print(____(____, ____))

# Calculate the confusion matrix
print(____(____, ____))

# Calculate the classification report
print(____(____, ____))
कोड संपादित करें और चलाएँ