ROC AUC
ROC-kurvan du plottade i förra övningen såg lovande ut.
Nu ska du beräkna arean under ROC-kurvan, tillsammans med de övriga klassificeringsmått du har använt tidigare.
Funktionerna confusion_matrix och classification_report har förinslästs åt dig, tillsammans med logreg-modellen du byggde tidigare, samt X_train, X_test, y_train, y_test. Modellens förutsagda etiketter för testmängden lagras som y_pred, och sannolikheterna för att observationerna i testmängden tillhör den positiva klassen lagras som y_pred_probs.
En knn-modell har också skapats och dess prestandamått skrivits ut i konsolen, så att du kan jämföra roc_auc_score, confusion_matrix och classification_report mellan de två modellerna.
Den här övningen är en del av kursen
Övervakad inlärning med scikit-learn
Övningsinstruktioner
- Importera
roc_auc_score. - Beräkna och skriv ut ROC AUC-poängen genom att skicka in testabletiketterna och de förutsagda sannolikheterna för den positiva klassen.
- Beräkna och skriv ut konfusionsmatrisen.
- Anropa
classification_report().
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Import roc_auc_score
____
# Calculate roc_auc_score
print(____(____, ____))
# Calculate the confusion matrix
print(____(____, ____))
# Calculate the classification report
print(____(____, ____))