Mengukur AUC

Setelah Anda menggunakan cross-validation untuk menghitung rata-rata akurasi out-of-sample (setelah mengonversi dari error), sangat mudah untuk menghitung metrik lain yang Anda butuhkan. Yang perlu Anda lakukan hanyalah memberikannya (atau daftar metrik) sebagai argumen ke parameter metrics pada xgb.cv().

Tugas Anda dalam latihan ini adalah menghitung metrik umum lain yang digunakan dalam klasifikasi biner—area under the curve ("auc"). Seperti sebelumnya, churn_data tersedia di ruang kerja Anda, bersama DMatrix churn_dmatrix dan kamus parameter params.

Latihan ini merupakan bagian dari kursus

Extreme Gradient Boosting dengan XGBoost

Lihat Kursus

Instruksi latihan

Lakukan cross-validation 3-fold dengan 5 boosting rounds dan "auc" sebagai metrik Anda.
Cetak kolom "test-auc-mean" dari cv_results.

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Perform cross_validation: cv_results
cv_results = ____(dtrain=____, params=____, 
                  nfold=____, num_boost_round=____, 
                  metrics="____", as_pandas=True, seed=123)

# Print cv_results
print(cv_results)

# Print the AUC
print((cv_results["____"]).iloc[-1])

Edit dan Jalankan Kode