ROC AUC
De ROC-curve die je in de vorige oefening hebt uitgezet, zag er veelbelovend uit.
Nu ga je de oppervlakte onder de ROC-curve berekenen, samen met de andere classificatiemetrics die je eerder hebt gebruikt.
De functies confusion_matrix en classification_report zijn al voor je geladen, net als het logreg-model dat je eerder hebt gebouwd, plus X_train, X_test, y_train, y_test. Ook zijn de voorspelde labels voor de testset opgeslagen als y_pred, en de waarschijnlijkheden dat waarnemingen in de testset tot de positieve klasse behoren als y_pred_probs.
Er is ook een knn-model gemaakt en de prestatiemetrics zijn in de console afgedrukt, zodat je de roc_auc_score, confusion_matrix en classification_report tussen de twee modellen kunt vergelijken.
Deze oefening maakt deel uit van de cursus
Supervised Learning met scikit-learn
Oefeninstructies
- Importeer
roc_auc_score. - Bereken en print de ROC AUC-score, met de testlabels en de voorspelde waarschijnlijkheden voor de positieve klasse.
- Bereken en print de verwarringsmatrix.
- Roep
classification_report()aan.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Import roc_auc_score
____
# Calculate roc_auc_score
print(____(____, ____))
# Calculate the confusion matrix
print(____(____, ____))
# Calculate the classification report
print(____(____, ____))