Använd de bästa resultaten
Det är intressant att analysera resultaten från vår grid search, men det slutliga målet är praktiskt – vi vill göra förutsägelser på vår testmängd med hjälp av vårt estimatorobjekt.
Vi kan komma åt detta objekt via egenskapen best_estimator_ i vårt grid search-objekt.
Låt oss titta närmare på best_estimator_-egenskapen, göra förutsägelser och generera utvärderingspoäng. Vi börjar med standardmetoden predict (som ger klassförutsägelser), men sedan behöver vi använda predict_proba i stället för predict för att generera ROC-AUC-poängen, eftersom ROC-AUC kräver sannolikhetspoäng i sin beräkning. Vi använder ett utsnitt [:,1] för att hämta sannolikheterna för den positiva klassen.
Du har tillgång till datamängderna X_test och y_test samt objektet grid_rf_class från tidigare övningar.
Den här övningen är en del av kursen
Hyperparameterjustering i Python
Övningsinstruktioner
- Kontrollera typen av egenskapen
best_estimator_. - Använd egenskapen
best_estimator_för att göra förutsägelser på vår testmängd. - Generera en konfusionsmatris och ett ROC_AUC-poäng utifrån våra förutsägelser.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# See what type of object the best_estimator_ property is
print(____(____.____))
# Create an array of predictions directly using the best_estimator_ property
predictions = grid_rf_class.____._____(X_test)
# Take a look to confirm it worked, this should be an array of 1's and 0's
print(predictions[0:5])
# Now create a confusion matrix
print("Confusion Matrix \n", confusion_matrix(y_test, ______))
# Get the ROC-AUC score
predictions_proba = grid_rf_class.best_estimator_.predict_proba(X_test)[:,1]
print("ROC-AUC Score \n", roc_auc_score(y_test, _____))