Zacznij terazZacznij za darmo

Poza samą dokładnością

W tym ćwiczeniu wyjdziesz poza samą dokładność i obliczysz AUC krzywej ROC dla podstawowego modelu drzewa decyzyjnego. Pamiętaj, że punkt odniesienia dla losowego klasyfikatora to AUC równe 0,5 – zależy nam na uzyskaniu wyniku wyższego niż 0,5.

X jest dostępny jako DataFrame z cechami, a y jako DataFrame z wartościami docelowymi. W środowisku dostępne są również biblioteki sklearn oraz pandas jako pd.

Tego zestawu użyjemy do analizy AUC naszej krzywej ROC.

To ćwiczenie jest częścią kursu

Przewidywanie CTR z użyciem uczenia maszynowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Podziel dane na zbiór treningowy i testowy.
  • Dopasuj klasyfikator na danych treningowych, a następnie wygeneruj prognozy dla danych testowych za pomocą predict_proba() i predict().
  • Oblicz AUC pod krzywą ROC, używając funkcji roc_curve() na y_test w postaci roc_curve(y_test, y_score[:, 1]).

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Training and testing
X_train, X_test, y_train, y_test = \
	____(X, y, test_size = .2, random_state = 0)

# Create decision tree classifier
clf = DecisionTreeClassifier()

# Train classifier - predict probability score and label
y_score = clf.fit(____, ____).predict_proba(____) 
y_pred = clf.fit(____, ____).predict(____) 

# Get ROC curve metrics
fpr, tpr, thresholds = ____(____, y_score[:, 1])
roc_auc = auc(fpr, tpr)
print(roc_auc)
Edytuj i uruchom kod