Calcularea scorului ROC/AUC
Scorul Recall este o metrică importantă pentru măsurarea acurateței unui algoritm de clasificare, însă acordă prea multă greutate numărului de False Negatives. Pe de altă parte, Precision se concentrează pe numărul de False Positives.
Combinarea acestor două metrici în curba ROC ne permite să măsurăm atât recall-ul, cât și precizia. Aria de sub curba ROC este calculată sub forma scorului AUC.
În acest exercițiu, vei calcula scorul ROC/AUC pentru modelul inițial, folosind funcția roc_auc_score() din sklearn.
Variabilele features_test și target_test sunt disponibile în spațiul tău de lucru.
Acest exercițiu face parte din cursul
HR Analytics: Predicția fluctuației angajaților în Python
Instrucțiuni pentru exercițiu
- Importă funcția pentru calcularea scorului ROC/AUC.
- Folosește modelul inițial pentru a prezice fluctuația angajaților (pe baza caracteristicilor din setul de testare).
- Calculează scorul ROC/AUC comparând
target_testcu predicția.
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# Import the function to calculate ROC/AUC score
from sklearn.____ import ____
# Use initial model to predict churn (based on features_test)
prediction = model.predict(____)
# Calculate ROC/AUC score by comparing target_test with the prediction
____(____, prediction)