Kom igångKom igång gratis

Utvärdera det optimala beslutsträdet

I den här övningen utvärderar du ROC AUC-poängen på testmängden för grid_dt:s optimala modell.

För att göra det beräknar du först sannolikheten för att varje observation i testmängden får den positiva etiketten. Du kan använda metoden predict_proba() hos en sklearn-klassificerare för att beräkna en tvådimensionell array med sannolikheter för den negativa respektive positiva klassen längs kolumnerna.

Datamängden är redan inläst och förbehandlad (numeriska särdrag är standardiserade) och uppdelad i 80% träning och 20% test. X_test och y_test finns tillgängliga i din arbetsyta. Vi har även laddat det tränade GridSearchCV-objektet grid_dt som du skapade i föregående övning. Observera att grid_dt tränades på följande sätt:

grid_dt.fit(X_train, y_train)

Den här övningen är en del av kursen

Maskininlärning med trädbaserade modeller i Python

Visa kurs

Övningsinstruktioner

  • Importera roc_auc_score från sklearn.metrics.

  • Extrahera attributet .best_estimator_ från grid_dt och tilldela det till best_model.

  • Prediktera sannolikheterna för den positiva klassen i testmängden och spara dem i y_pred_proba.

  • Beräkna ROC AUC-poängen test_roc_auc för best_model på testmängden.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Import roc_auc_score from sklearn.metrics
____

# Extract the best estimator
best_model = ____

# Predict the test set probabilities of the positive class
y_pred_proba = ____

# Compute test_roc_auc
test_roc_auc = ____

# Print test_roc_auc
print('Test set ROC AUC score: {:.3f}'.format(test_roc_auc))
Redigera och kör kod