เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ประเมินประสิทธิภาพของ AdaBoost classifier

เมื่อฝึก ada และทำนายความน่าจะเป็นของคลาสบวกในชุดทดสอบเรียบร้อยแล้ว ถึงเวลาประเมินคะแนน ROC AUC ของ ada โดยคะแนน ROC AUC ของ binary classifier สามารถคำนวณได้ด้วยฟังก์ชัน roc_auc_score() จาก sklearn.metrics

อาร์เรย์ y_test และ y_pred_proba ที่คำนวณไว้ในแบบฝึกหัดก่อนหน้านี้พร้อมใช้งานใน workspace แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Learning with Tree-Based Models in Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • นำเข้า roc_auc_score จาก sklearn.metrics

  • คำนวณคะแนน ROC AUC ของ ada บนชุดทดสอบ กำหนดค่าให้กับตัวแปร ada_roc_auc แล้วแสดงผลออกมา

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Import roc_auc_score
____

# Evaluate test-set roc_auc_score
____ = ____(____, ____)

# Print roc_auc_score
print('ROC AUC score: {:.2f}'.format(ada_roc_auc))
แก้ไขและรันโค้ด