Mäta AUC

Nu när du har använt korsvalidering för att beräkna genomsnittlig noggrannhet på osedd data (efter konvertering från ett fel) är det enkelt att beräkna vilket annat mått du är intresserad av. Det enda du behöver göra är att skicka in det (eller en lista med mått) som ett argument till parametern metrics i xgb.cv().

I den här övningen ska du beräkna ett annat vanligt mått som används vid binär klassificering – arean under kurvan ("auc"). Precis som tidigare finns churn_data tillgängligt i din arbetsyta, tillsammans med DMatrix churn_dmatrix och parameterordlistan params.

Den här övningen är en del av kursen

Extreme Gradient Boosting med XGBoost

Visa kurs

Övningsinstruktioner

Utför 3-faldig korsvalidering med 5 boosting-rundor och "auc" som mått.
Skriv ut kolumnen "test-auc-mean" från cv_results.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Perform cross_validation: cv_results
cv_results = ____(dtrain=____, params=____, 
                  nfold=____, num_boost_round=____, 
                  metrics="____", as_pandas=True, seed=123)

# Print cv_results
print(cv_results)

# Print the AUC
print((cv_results["____"]).iloc[-1])

Redigera och kör kod