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.
To ćwiczenie jest częścią kursu
Nadzorowane uczenie maszynowe z scikit-learn
Instrukcje do ćwiczenia
- 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().
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import roc_auc_score
____
# Calculate roc_auc_score
print(____(____, ____))
# Calculate the confusion matrix
print(____(____, ____))
# Calculate the classification report
print(____(____, ____))