Măsurarea AUC

Acum că ai folosit validarea încrucișată pentru a calcula acuratețea medie pe date nevăzute (după conversia din eroare), este foarte simplu să calculezi orice altă metrică care te interesează. Tot ce trebuie să faci este să o transmiți (sau o listă de metrici) ca argument al parametrului metrics din xgb.cv().

Sarcina ta în acest exercițiu este să calculezi o altă metrică frecvent utilizată în clasificarea binară – aria de sub curbă ("auc"). Ca și înainte, churn_data este disponibil în spațiul tău de lucru, împreună cu DMatrix-ul churn_dmatrix și dicționarul de parametri params.

Acest exercițiu face parte din cursul

Gradient Boosting Extrem cu XGBoost

Vezi cursul

Instrucțiuni pentru exercițiu

Realizează o validare încrucișată cu 3 pliuri, 5 runde de boosting și "auc" ca metrică.
Afișează coloana "test-auc-mean" din cv_results.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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])

Editează și rulează codul