Krzywa ROC
Masz już zbudowany model regresji logistycznej do przewidywania cukrzycy – teraz możesz narysować krzywą ROC, aby zobaczyć, jak współczynnik prawdziwie pozytywnych i fałszywie pozytywnych wyników zmienia się wraz z progiem decyzyjnym.
Etykiety testowe y_test oraz przewidywane prawdopodobieństwa przynależności cech testowych do klasy pozytywnej y_pred_probs zostały już wczytane, podobnie jak matplotlib.pyplot jako plt.
Narysujesz krzywą ROC, a następnie zinterpretujesz wyniki.
To ćwiczenie jest częścią kursu
Nadzorowane uczenie maszynowe z scikit-learn
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import roc_curve
____
# Generate ROC curve values: fpr, tpr, thresholds
fpr, tpr, thresholds = ____(____, ____)
plt.plot([0, 1], [0, 1], 'k--')
# Plot tpr against fpr
plt.plot(____, ____)
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC Curve for Diabetes Prediction')
plt.show()