AUC を測定する

これまでに、クロスバリデーションを使って（エラーから変換して）平均のアウトオブサンプル精度を計算しました。ほかの評価指標を計算するのもとても簡単です。xgb.cv() の metrics パラメータに、その指標（または指標のリスト）を引数として渡すだけです。

この演習では、二値分類でよく使われるもう一つの指標、曲線下面積（"auc"）を計算します。これまでと同様に、作業スペースには churn_data、DMatrix の churn_dmatrix、パラメータ辞書の params が用意されています。

この演習はコースの一部です

XGBoost で学ぶ極限の勾配ブースティング

コースを見る

演習の手順

5 回のブースティングと "auc" を指標として、3 分割のクロスバリデーションを実行します。
cv_results の "test-auc-mean" 列を出力します。

実践的なインタラクティブ演習

このサンプルコードを完成させて、この演習に挑戦してみましょう。

# 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])

コードを編集して実行