AUC 측정하기
이제 교차 검증을 사용해 (에러에서 변환한) 평균 테스트 정확도를 계산해 보았으니, 관심 있는 다른 지표도 아주 쉽게 계산할 수 있어요. xgb.cv()의 metrics 파라미터에 해당 지표(또는 지표 목록)를 인자로 넘기기만 하면 됩니다.
이번 연습 문제에서는 이진 분류에서 자주 쓰이는 또 다른 지표인 곡선하면적("auc")을 계산해 보겠습니다. 이전과 마찬가지로 작업 공간에는 churn_data가 있고, DMatrix churn_dmatrix와 파라미터 딕셔너리 params도 제공되어 있습니다.
이 연습은 강의의 일부입니다
XGBoost로 익히는 Extreme Gradient Boosting
연습 안내
- 3-폴드 교차 검증을 수행하고, 부스팅 라운드는
5, 지표는"auc"로 설정하세요. cv_results의"test-auc-mean"열을 출력하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# 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])