始める無料で始める

ROC AUC

前の演習でプロットした ROC 曲線は良好な結果を示していました。

次は、ROC 曲線下面積を計算し、これまでに使用した他の分類指標も合わせて確認しましょう。

confusion_matrix と classification_report 関数はあらかじめ読み込まれています。また、以前に構築した logreg モデル、X_train、X_test、y_train、y_test も利用可能です。モデルによるテストセットの予測ラベルは y_pred に、テストセットの各観測値が正クラスに属する確率は y_pred_probs に格納されています。

knn モデルも作成済みで、パフォーマンス指標がコンソールに表示されています。2 つのモデルの roc_auc_score、confusion_matrix、classification_report を比較してみましょう。

この演習はコースの一部です

scikit-learn による教師あり学習

コースを見る

演習の手順

  • roc_auc_score をインポートします。
  • テストラベルと正クラスの予測確率を渡して、ROC AUC スコアを算出して表示します。
  • 混同行列を計算し、結果を表示します。
  • classification_report() を呼び出します。

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 roc_auc_score
____

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

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

# Calculate the classification report
print(____(____, ____))
コードを編集して実行