Kom igångKom igång gratis

Bortom enbart noggrannhet

I den här övningen går du bortom att bara titta på noggrannhet och utvärderar i stället AUC för ROC-kurvan för en grundläggande beslutsträdsmodell. Kom ihåg att jämförelsenivån för en slumpmässig klassificerare är ett AUC-värde på 0,5 – du vill alltså uppnå ett högre värde än så.

X finns tillgängligt som en DataFrame med särdrag och y som en DataFrame med målvärden. Både sklearn och pandas som pd finns också tillgängliga i din arbetsyta.

Vi använder den här uppsättningen för att undersöka AUC för vår ROC-kurva.

Den här övningen är en del av kursen

Förutsäga CTR med maskininlärning i Python

Visa kurs

Övningsinstruktioner

  • Dela upp data i en tränings- och en testmängd.
  • Träna klassificeraren på träningsdata och gör sedan prediktioner för testdata med predict_proba() och predict().
  • Beräkna AUC under ROC-kurvan med funktionen roc_curve() på y_test via roc_curve(y_test, y_score[:, 1]).

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Training and testing
X_train, X_test, y_train, y_test = \
	____(X, y, test_size = .2, random_state = 0)

# Create decision tree classifier
clf = DecisionTreeClassifier()

# Train classifier - predict probability score and label
y_score = clf.fit(____, ____).predict_proba(____) 
y_pred = clf.fit(____, ____).predict(____) 

# Get ROC curve metrics
fpr, tpr, thresholds = ____(____, y_score[:, 1])
roc_auc = auc(fpr, tpr)
print(roc_auc)
Redigera och kör kod