ROC/AUC 점수 계산하기
Recall 점수는 분류 알고리즘의 정확도를 평가하는 데 중요한 지표이지만, 거짓 음성( False Negatives)에 가중치가 크다는 한계가 있습니다. 반면 Precision은 거짓 양성(False Positives)에 초점을 둡니다.
이 두 지표를 함께 살펴볼 수 있도록 해 주는 것이 ROC 곡선이며, 해당 곡선 아래 면적이 AUC 점수입니다.
이 연습 문제에서는 sklearn의 roc_auc_score() 함수를 사용해 초기 모델의 ROC/AUC 점수를 계산해 보겠습니다.
변수 features_test와 target_test는 작업 공간에 준비되어 있습니다.
이 연습은 강의의 일부입니다
HR Analytics: Python으로 직원 이탈 예측하기
연습 안내
- ROC/AUC 점수를 계산하는 함수를 임포트하세요.
- 초기 모델을 사용해 테스트 세트의 특성으로 이직 여부를 예측하세요.
target_test와 예측값을 비교하여 ROC/AUC 점수를 계산하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# 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)