1. Nauka
    2. /
  2. Kursy
    3. /
  3. Nadzorowane uczenie maszynowe z scikit-learn
Connected

ćwiczenie

ROC AUC

Krzywa ROC, którą wykreślono w poprzednim ćwiczeniu, wygląda obiecująco.

Teraz obliczysz pole pod krzywą ROC, a także inne metryki klasyfikacji, z których już korzystałeś.

Funkcje confusion_matrix i classification_report zostały wczytane automatycznie – podobnie jak model logreg, który wcześniej zbudowałeś, oraz zmienne X_train, X_test, y_train, y_test. Przewidywane etykiety zbioru testowego są przechowywane jako y_pred, natomiast prawdopodobieństwa przynależności obserwacji ze zbioru testowego do klasy pozytywnej – jako y_pred_probs.

Utworzono również model knn i wyświetlono jego metryki w konsoli, dzięki czemu możesz porównać roc_auc_score, confusion_matrix i classification_report dla obu modeli.

Instrukcje

100 XP
  • Zaimportuj roc_auc_score.
  • Oblicz i wyświetl wynik ROC AUC, przekazując etykiety zbioru testowego oraz przewidywane prawdopodobieństwa klasy pozytywnej.
  • Oblicz i wyświetl macierz pomyłek.
  • Wywołaj classification_report().