Оценка классификатора AdaBoost
Теперь, когда вы завершили обучение модели ada и вычислили вероятности принадлежности к положительному классу для тестовой выборки, пришло время оценить ROC AUC score модели ada. Напомним, что ROC AUC score бинарного классификатора вычисляется с помощью функции roc_auc_score() из библиотеки sklearn.metrics.
Массивы y_test и y_pred_proba, полученные в предыдущем упражнении, доступны в вашем рабочем пространстве.
Это упражнение является частью курса
Машинное обучение на основе древовидных моделей в Python
Инструкции к упражнению
Импортируйте
roc_auc_scoreизsklearn.metrics.Вычислите ROC AUC score модели
adaна тестовой выборке, сохраните результат в переменнуюada_roc_aucи выведите его на экран.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Import roc_auc_score
____
# Evaluate test-set roc_auc_score
____ = ____(____, ____)
# Print roc_auc_score
print('ROC AUC score: {:.2f}'.format(ada_roc_auc))