Utvärdera AdaBoost-klassificeraren
Nu när du har tränat ada och beräknat sannolikheterna för den positiva klassen i testmängden är det dags att utvärdera ada's ROC AUC-poäng. Kom ihåg att ROC AUC-poängen för en binär klassificerare kan beräknas med funktionen roc_auc_score() från sklearn.metrics.
Arrayerna y_test och y_pred_proba som du beräknade i föregående övning finns tillgängliga i din arbetsyta.
Den här övningen är en del av kursen
Maskininlärning med trädbaserade modeller i Python
Övningsinstruktioner
Importera
roc_auc_scorefrånsklearn.metrics.Beräkna
ada's ROC AUC-poäng på testmängden, tilldela resultatet tillada_roc_auc, och skriv ut det.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Import roc_auc_score
____
# Evaluate test-set roc_auc_score
____ = ____(____, ____)
# Print roc_auc_score
print('ROC AUC score: {:.2f}'.format(ada_roc_auc))