ROC AUC
Curba ROC pe care ai reprezentat-o grafic în exercițiul anterior părea promițătoare.
Acum vei calcula aria de sub curba ROC, alături de celelalte metrici de clasificare pe care le-ai folosit anterior.
Funcțiile confusion_matrix și classification_report au fost preîncărcate pentru tine, împreună cu modelul logreg construit anterior, precum și X_train, X_test, y_train, y_test. De asemenea, etichetele prezise pentru setul de testare sunt stocate în y_pred, iar probabilitățile că observațiile din setul de testare aparțin clasei pozitive sunt stocate în y_pred_probs.
A fost creat și un model knn, iar metricile de performanță sunt afișate în consolă, astfel încât să poți compara roc_auc_score, confusion_matrix și classification_report între cele două modele.
Acest exercițiu face parte din cursul
Învățare supravegheată cu scikit-learn
Instrucțiuni pentru exercițiu
- Importă
roc_auc_score. - Calculează și afișează scorul ROC AUC, transmițând etichetele de test și probabilitățile clasei pozitive prezise.
- Calculează și afișează matricea de confuzie.
- Apelează
classification_report().
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# Import roc_auc_score
____
# Calculate roc_auc_score
print(____(____, ____))
# Calculate the confusion matrix
print(____(____, ____))
# Calculate the classification report
print(____(____, ____))