ÎncepețiÎncepe gratuit

Evaluează arborele optim

În acest exercițiu, vei evalua scorul ROC AUC pe setul de testare al modelului optim din grid_dt.

Pentru a face acest lucru, vei determina mai întâi probabilitatea de a obține eticheta pozitivă pentru fiecare observație din setul de testare. Poți folosi metoda predict_proba() a unui clasificator sklearn pentru a calcula un array 2D care conține probabilitățile etichetelor clasei negative și, respectiv, pozitive, de-a lungul coloanelor.

Setul de date este deja încărcat și procesat (caracteristicile numerice sunt standardizate); acesta este împărțit în 80% antrenament și 20% testare. X_test, y_test sunt disponibile în spațiul tău de lucru. În plus, am încărcat și obiectul GridSearchCV antrenat grid_dt, pe care l-ai inițializat în exercițiul anterior. Reține că grid_dt a fost antrenat astfel:

grid_dt.fit(X_train, y_train)

Acest exercițiu face parte din cursul

Machine Learning cu modele bazate pe arbori în Python

Vezi cursul

Instrucțiuni pentru exercițiu

  • Importă roc_auc_score din sklearn.metrics.

  • Extrage atributul .best_estimator_ din grid_dt și atribuie-l variabilei best_model.

  • Prezice probabilitățile din setul de testare pentru obținerea clasei pozitive y_pred_proba.

  • Calculează scorul ROC AUC pe setul de testare test_roc_auc al modelului best_model.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Import roc_auc_score from sklearn.metrics
____

# Extract the best estimator
best_model = ____

# Predict the test set probabilities of the positive class
y_pred_proba = ____

# Compute test_roc_auc
test_roc_auc = ____

# Print test_roc_auc
print('Test set ROC AUC score: {:.3f}'.format(test_roc_auc))
Editează și rulează codul