НачатьНачать бесплатно

ROC AUC

ROC-кривая, которую вы построили в предыдущем упражнении, выглядит многообещающе.

Теперь вычислим площадь под ROC-кривой, а также другие метрики классификации, с которыми вы уже работали.

Функции confusion_matrix и classification_report уже загружены, как и модель logreg, которую вы построили ранее, а также X_train, X_test, y_train, y_test. Предсказанные метки тестовой выборки хранятся в переменной y_pred, а вероятности принадлежности наблюдений тестовой выборки к положительному классу — в переменной y_pred_probs.

Кроме того, создана модель knn, а её метрики производительности выведены в консоль — это позволит вам сравнить roc_auc_score, confusion_matrix и classification_report для двух моделей.

Это упражнение является частью курса

Обучение с учителем с помощью scikit-learn

Посмотреть курс

Инструкции к упражнению

  • Импортируйте roc_auc_score.
  • Вычислите и выведите значение ROC AUC, передав истинные метки тестовой выборки и предсказанные вероятности положительного класса.
  • Вычислите и выведите матрицу ошибок.
  • Вызовите classification_report().

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Import roc_auc_score
____

# Calculate roc_auc_score
print(____(____, ____))

# Calculate the confusion matrix
print(____(____, ____))

# Calculate the classification report
print(____(____, ____))
Редактировать и запускать код