Menghitung skor ROC/AUC
Meskipun skor Recall penting untuk mengukur akurasi algoritma klasifikasi, metrik ini terlalu menekankan jumlah False Negative. Di sisi lain, Precision berfokus pada jumlah False Positive.
Kombinasi keduanya melalui kurva ROC memungkinkan kita mengukur recall dan precision secara bersamaan. Luas di bawah kurva ROC dihitung sebagai skor AUC.
Dalam latihan ini, Anda akan menghitung skor ROC/AUC untuk model awal menggunakan fungsi roc_auc_score() dari sklearn.
Variabel features_test dan target_test tersedia di ruang kerja Anda.
Latihan ini adalah bagian dari kursus
Analitik SDM: Memprediksi Perputaran Karyawan dengan Python
Petunjuk latihan
- Impor fungsi untuk menghitung skor ROC/AUC.
- Gunakan model awal untuk memprediksi churn (berdasarkan fitur pada himpunan data uji).
- Hitung skor ROC/AUC dengan membandingkan
target_testdengan prediksi.
Latihan interaktif praktis
Cobalah latihan ini dengan menyelesaikan kode contoh berikut.
# 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)