เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ประเมินผลต้นไม้ที่เหมาะสมที่สุด

ในแบบฝึกหัดนี้ คุณจะประเมินคะแนน ROC AUC บนชุดทดสอบของโมเดลที่เหมาะสมที่สุดจาก grid_dt

ในการดำเนินการนี้ ให้เริ่มจากการหาความน่าจะเป็นในการได้ positive label สำหรับแต่ละตัวอย่างในชุดทดสอบ โดยใช้เมธอด predict_proba() ของ classifier ใน sklearn ซึ่งจะคืนค่าอาร์เรย์ 2 มิติที่ประกอบด้วยความน่าจะเป็นของ negative class และ positive class ตามลำดับในแต่ละคอลัมน์

ชุดข้อมูลถูกโหลดและเตรียมไว้ให้แล้ว (ฟีเจอร์ตัวเลขได้รับการ standardize แล้ว) โดยแบ่งเป็นชุด train 80% และชุดทดสอบ 20% ตัวแปร X_test และ y_test พร้อมใช้งานใน workspace นอกจากนี้ยังมี object GridSearchCV ที่ผ่านการ train แล้วชื่อ grid_dt ซึ่งคุณสร้างไว้ในแบบฝึกหัดก่อนหน้า โดย grid_dt ถูก train ด้วยโค้ดดังนี้:

grid_dt.fit(X_train, y_train)

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Machine Learning with Tree-Based Models in Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • Import roc_auc_score จาก sklearn.metrics

  • ดึง attribute .best_estimator_ จาก grid_dt แล้วกำหนดให้กับตัวแปร best_model

  • ทำนายความน่าจะเป็นของ positive class บนชุดทดสอบ แล้วเก็บไว้ในตัวแปร y_pred_proba

  • คำนวณคะแนน ROC AUC บนชุดทดสอบของ best_model แล้วเก็บไว้ในตัวแปร test_roc_auc

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Import roc_auc_score from sklearn.metrics
____

# Extract the best estimator
best_model = ____

# Predict the test set probabilities of the positive class
y_pred_proba = ____

# Compute test_roc_auc
test_roc_auc = ____

# Print test_roc_auc
print('Test set ROC AUC score: {:.3f}'.format(test_roc_auc))
แก้ไขและรันโค้ด