เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การวัดค่า AUC

หลังจากที่ใช้ cross-validation เพื่อคำนวณค่าความแม่นยำเฉลี่ยบนข้อมูลนอกตัวอย่างแล้ว การคำนวณเมตริกอื่น ๆ ที่สนใจก็ทำได้ง่ายมาก เพียงแค่ส่งเมตริกนั้น (หรือรายการเมตริก) เป็นอาร์กิวเมนต์ให้กับพารามิเตอร์ metrics ของ xgb.cv()

ในแบบฝึกหัดนี้ ให้คำนวณเมตริกที่นิยมใช้อีกตัวหนึ่งในการจำแนกประเภทแบบไบนารี ได้แก่ พื้นที่ใต้เส้นโค้ง ("auc") เช่นเดิม churn_data พร้อมใช้งานใน workspace ของคุณ พร้อมด้วย DMatrix churn_dmatrix และ dictionary พารามิเตอร์ params

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Extreme Gradient Boosting with XGBoost

ดูคอร์ส

คำแนะนำการฝึกหัด

  • ทำ cross-validation แบบ 3-fold โดยใช้ 5 รอบการ boosting และกำหนดเมตริกเป็น "auc"
  • แสดงผลคอลัมน์ "test-auc-mean" ของ cv_results

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Perform cross_validation: cv_results
cv_results = ____(dtrain=____, params=____, 
                  nfold=____, num_boost_round=____, 
                  metrics="____", as_pandas=True, seed=123)

# Print cv_results
print(cv_results)

# Print the AUC
print((cv_results["____"]).iloc[-1])
แก้ไขและรันโค้ด