เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การคำนวณคะแนน ROC/AUC

แม้ว่าคะแนน Recall จะเป็นเมตริกสำคัญสำหรับวัดความแม่นยำของอัลกอริทึมการจำแนกประเภท แต่ก็ให้น้ำหนักกับจำนวน False Negative มากเกินไป ในทางกลับกัน Precision จะเน้นที่จำนวน False Positive เป็นหลัก

การผสมผสานทั้งสองอย่างนี้ได้ผลลัพธ์เป็น ROC curve ซึ่งช่วยให้วัดได้ทั้ง Recall และ Precision พื้นที่ใต้ ROC curve คือสิ่งที่เราคำนวณเป็นคะแนน AUC

ในแบบฝึกหัดนี้ จะคำนวณคะแนน ROC/AUC ของโมเดลเริ่มต้นโดยใช้ฟังก์ชัน roc_auc_score() ของ sklearn

ตัวแปร features_test และ target_test พร้อมใช้งานใน workspace แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

HR Analytics: การพยากรณ์การลาออกของพนักงานด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • Import ฟังก์ชันสำหรับคำนวณคะแนน ROC/AUC
  • ใช้โมเดลเริ่มต้นในการพยากรณ์การลาออก (โดยอิงจาก features ของชุดทดสอบ)
  • คำนวณคะแนน ROC/AUC โดยเปรียบเทียบ target_test กับผลการพยากรณ์

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Import the function to calculate ROC/AUC score
from sklearn.____ import ____

# Use initial model to predict churn (based on features_test)
prediction = model.predict(____)

# Calculate ROC/AUC score by comparing target_test with the prediction
____(____, prediction)
แก้ไขและรันโค้ด