ROC/AUC スコアを計算する
Recall スコアは分類アルゴリズムの正確さを測るうえで重要ですが、False Negative の数を重視しすぎます。一方で、Precision は False Positive の数に重点を置きます。
これらを組み合わせた ROC 曲線を用いると、再現率と適合率の両方を評価できます。ROC 曲線の下の面積は AUC スコアとして計算されます。
この演習では、sklearn の roc_auc_score() 関数を使って初期モデルの ROC/AUC スコアを計算します。
features_test と target_test の変数はワークスペース内で利用できます。
この演習はコースの一部です
HRアナリティクス：Pythonで従業員離職を予測する
演習の手順
- ROC/AUC スコアを計算する関数をインポートします。
- テストセットの特徴量に基づいて、初期モデルで離職を予測します。
target_testと予測結果を比較して ROC/AUC スコアを計算します。
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。
# 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)