Medindo a AUC

Agora que você usou validação cruzada para calcular a acurácia média fora da amostra (após converter a partir de um erro), fica muito fácil calcular qualquer outra métrica de interesse. Tudo o que você precisa fazer é passá-la (ou uma lista de métricas) como argumento para o parâmetro metrics de xgb.cv().

Sua tarefa neste exercício é calcular outra métrica comum em classificação binária — a área sob a curva ("auc"). Como antes, churn_data está disponível no seu ambiente, junto com a DMatrix churn_dmatrix e o dicionário de parâmetros params.

Este exercício faz parte do curso

Extreme Gradient Boosting com XGBoost

Ver curso

Instruções do exercício

Realize validação cruzada com 3 dobras, 5 rounds de boosting e "auc" como sua métrica.
Imprima a coluna "test-auc-mean" de cv_results.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Perform cross_validation: cv_results
cv_results = ____(dtrain=____, params=____, 
                  nfold=____, num_boost_round=____, 
                  metrics="____", as_pandas=True, seed=123)

# Print cv_results
print(cv_results)

# Print the AUC
print((cv_results["____"]).iloc[-1])

Editar e executar o código