Beräkna ROC/AUC-poängen

Recall-poängen är ett viktigt mått för att utvärdera ett klassificeringsalgoritmens precision, men den väger in antalet falska negativa för mycket. Precision fokuserar å andra sidan på antalet falska positiva.

ROC-kurvan kombinerar dessa två mått och gör det möjligt att mäta både recall och precision samtidigt. Arean under ROC-kurvan beräknas som AUC-poängen.

I den här övningen beräknar du ROC/AUC-poängen för den ursprungliga modellen med hjälp av funktionen roc_auc_score() från sklearn.

Variablerna features_test och target_test finns tillgängliga i din arbetsyta.

Den här övningen är en del av kursen

HR-analys: Förutsäg personalomsättning i Python

Visa kurs

Övningsinstruktioner

Importera funktionen för att beräkna ROC/AUC-poängen.
Använd den ursprungliga modellen för att förutsäga personalomsättning (baserat på särdragen i testmängden).
Beräkna ROC/AUC-poängen genom att jämföra target_test med förutsägelsen.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import the function to calculate ROC/AUC score
from sklearn.____ import ____

# Use initial model to predict churn (based on features_test)
prediction = model.predict(____)

# Calculate ROC/AUC score by comparing target_test with the prediction
____(____, prediction)

Redigera och kör kod