ćwiczenie

Krzywa ROC

Czas stworzyć krzywą ROC dla naszego klasyfikatora lasu losowego. Pierwszym krokiem jest obliczenie prawdopodobieństw przewidywanych przez klasyfikator dla każdej etykiety – służy do tego metoda .predict_proba(). Następnie możesz użyć funkcji roc_curve z sklearn.metrics, aby wyliczyć współczynnik fałszywych alarmów i czułość modelu, które potem zwizualizujesz za pomocą matplotlib.

Klasyfikator RandomForestClassifier wytrenowany na 70% danych jest już dopasowany do zbioru i dostępny w twoim środowisku jako clf.

Instrukcje 1/4

undefined XP

Oblicz przewidywane prawdopodobieństwa klasyfikatora clf.

.css-6su6fj{-webkit-flex-shrink:0;-ms-flex-negative:0;flex-shrink:0;}ćwiczenie

Instrukcje 1/4

ćwiczenie