최적 결과 활용하기
그리드 서치 결과를 분석하는 일도 중요하지만, 최종 목표는 실용적인 부분입니다. 추정기(estimator) 객체를 사용해 테스트 세트에 대한 예측을 만들고자 해요.
이 객체는 그리드 서치 객체의 best_estimator_ 속성을 통해 접근할 수 있어요.
이제 best_estimator_ 속성을 확인하고, 예측을 수행한 뒤, 평가 점수를 계산해 보겠습니다. 먼저 기본 predict를 사용해 클래스 예측을 만들고, 이후 roc-auc 점수를 계산하려면 predict 대신 predict_proba를 사용해야 합니다. roc-auc는 계산을 위해 확률 점수가 필요하기 때문이에요. 양성 클래스의 확률을 얻기 위해 슬라이스 [:,1]을 사용합니다.
이전 연습 문제에서 사용했던 X_test와 y_test 데이터셋, 그리고 grid_rf_class 객체가 제공되어 있어요.
이 연습은 강의의 일부입니다
Python에서의 하이퍼파라미터 튜닝
연습 안내
best_estimator_속성의 타입을 확인하세요.best_estimator_속성을 사용해 테스트 세트에 대한 예측을 만드세요.- 예측 결과로부터 혼동 행렬과 ROC_AUC 점수를 계산하세요.
실습형 인터랙티브 연습
이 예제를 이 샘플 코드를 완성하여 풀어보세요.
# See what type of object the best_estimator_ property is
print(____(____.____))
# Create an array of predictions directly using the best_estimator_ property
predictions = grid_rf_class.____._____(X_test)
# Take a look to confirm it worked, this should be an array of 1's and 0's
print(predictions[0:5])
# Now create a confusion matrix
print("Confusion Matrix \n", confusion_matrix(y_test, ______))
# Get the ROC-AUC score
predictions_proba = grid_rf_class.best_estimator_.predict_proba(X_test)[:,1]
print("ROC-AUC Score \n", roc_auc_score(y_test, _____))