1. Nauka
    2. /
  2. Kursy
    3. /
  3. Uczenie maszynowe z modelami drzewiastymi w Pythonie
Connected

ćwiczenie

Oceń klasyfikator AdaBoost

Po wytrenowaniu modelu ada i obliczeniu prawdopodobieństw uzyskania klasy pozytywnej na zbiorze testowym, czas ocenić jego wynik ROC AUC. Przypomnij sobie, że wynik ROC AUC klasyfikatora binarnego można wyznaczyć za pomocą funkcji roc_auc_score() z biblioteki sklearn.metrics.

Tablice y_test i y_pred_proba obliczone w poprzednim ćwiczeniu są dostępne w twoim środowisku pracy.

Instrukcje

100 XP

  • Zaimportuj roc_auc_score z sklearn.metrics.

  • Oblicz wynik ROC AUC modelu ada na zbiorze testowym, przypisz go do zmiennej ada_roc_auc i wyświetl wynik.