เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ไปให้ไกลกว่าแค่ความแม่นยำ

ในแบบฝึกหัดนี้ เราจะประเมินค่า AUC ของ ROC curve สำหรับโมเดล decision tree พื้นฐาน เพื่อวิเคราะห์ประสิทธิภาพได้ลึกกว่าการดูแค่ความแม่นยำ ขอให้จำไว้ว่า classifier แบบสุ่มจะมี AUC อยู่ที่ 0.5 ดังนั้นเป้าหมายคือให้ได้คะแนนสูงกว่านั้น

X คือ DataFrame ที่เก็บฟีเจอร์ และ y คือ DataFrame ที่เก็บค่าเป้าหมาย โดย sklearn และ pandas ในชื่อ pd พร้อมใช้งานใน workspace แล้ว

เราจะใช้การตั้งค่านี้เพื่อดูค่า AUC ของ ROC curve

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การพยากรณ์ CTR ด้วย Machine Learning ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • แบ่งข้อมูลออกเป็นชุดฝึกและชุดทดสอบ
  • Fit classifier ด้วยข้อมูลฝึก จากนั้นทำนายผลสำหรับข้อมูลทดสอบโดยใช้ predict_proba() และ predict()
  • ประเมินค่า AUC ใต้ ROC curve ด้วยฟังก์ชัน roc_curve() บน y_test ผ่าน roc_curve(y_test, y_score[:, 1])

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Training and testing
X_train, X_test, y_train, y_test = \
	____(X, y, test_size = .2, random_state = 0)

# Create decision tree classifier
clf = DecisionTreeClassifier()

# Train classifier - predict probability score and label
y_score = clf.fit(____, ____).predict_proba(____) 
y_pred = clf.fit(____, ____).predict(____) 

# Get ROC curve metrics
fpr, tpr, thresholds = ____(____, y_score[:, 1])
roc_auc = auc(fpr, tpr)
print(roc_auc)
แก้ไขและรันโค้ด