НачатьНачать бесплатно

Оценка оптимального дерева

В этом упражнении вы вычислите ROC AUC на тестовой выборке для оптимальной модели grid_dt.

Для этого сначала определите вероятность получения положительной метки для каждого наблюдения тестовой выборки. Метод predict_proba() классификатора sklearn возвращает двумерный массив, в котором столбцы содержат вероятности отрицательного и положительного классов соответственно.

Набор данных уже загружен и подготовлен (числовые признаки стандартизированы); он разбит на 80% обучающей и 20% тестовой выборки. В вашем рабочем пространстве доступны X_test и y_test. Кроме того, загружен обученный объект GridSearchCV — grid_dt, созданный в предыдущем упражнении. Обратите внимание, что grid_dt был обучен следующим образом:

grid_dt.fit(X_train, y_train)

Это упражнение является частью курса

Машинное обучение на основе древовидных моделей в Python

Посмотреть курс

Инструкции к упражнению

  • Импортируйте roc_auc_score из sklearn.metrics.

  • Извлеките атрибут .best_estimator_ из grid_dt и присвойте его переменной best_model.

  • Предскажите вероятности получения положительного класса на тестовой выборке и сохраните результат в y_pred_proba.

  • Вычислите ROC AUC на тестовой выборке (test_roc_auc) для модели best_model.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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))
Редактировать и запускать код