Folosirea celor mai bune rezultate
Deși este interesant să analizezi rezultatele grid search-ului, scopul final este unul practic: vrem să facem predicții pe setul de testare folosind obiectul estimator.
Poți accesa acest obiect prin proprietatea best_estimator_ a obiectului grid search.
Hai să explorăm proprietatea best_estimator_, să facem predicții și să generăm scoruri de evaluare. Vom folosi mai întâi metoda implicită predict (care returnează predicții de clasă), apoi va trebui să folosim predict_proba în loc de predict pentru a calcula scorul ROC-AUC, deoarece acesta necesită scoruri de probabilitate. Folosim un slice [:,1] pentru a obține probabilitățile clasei pozitive.
Ai la dispoziție seturile de date X_test și y_test, precum și obiectul grid_rf_class din exercițiile anterioare.
Acest exercițiu face parte din cursul
Ajustarea hiperparametrilor în Python
Instrucțiuni pentru exercițiu
- Verifică tipul proprietății
best_estimator_. - Folosește proprietatea
best_estimator_pentru a face predicții pe setul de testare. - Generează o matrice de confuzie și un scor ROC_AUC pe baza predicțiilor obținute.
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# See what type of object the best_estimator_ property is
print(____(____.____))
# Create an array of predictions directly using the best_estimator_ property
predictions = grid_rf_class.____._____(X_test)
# Take a look to confirm it worked, this should be an array of 1's and 0's
print(predictions[0:5])
# Now create a confusion matrix
print("Confusion Matrix \n", confusion_matrix(y_test, ______))
# Get the ROC-AUC score
predictions_proba = grid_rf_class.best_estimator_.predict_proba(X_test)[:,1]
print("ROC-AUC Score \n", roc_auc_score(y_test, _____))