เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ROC AUC

ROC curve ที่พล็อตไว้ในแบบฝึกหัดที่แล้วดูมีแนวโน้มที่ดี

ตอนนี้จะมาคำนวณพื้นที่ใต้ ROC curve (AUC) พร้อมกับ classification metrics อื่น ๆ ที่เคยใช้ไปก่อนหน้านี้

ฟังก์ชัน confusion_matrix และ classification_report ถูกโหลดไว้ให้แล้ว รวมถึงโมเดล logreg ที่สร้างไว้ก่อนหน้า และตัวแปร X_train, X_test, y_train, y_test นอกจากนี้ predicted labels ของชุดทดสอบถูกเก็บไว้ใน y_pred และความน่าจะเป็นที่ข้อมูลในชุดทดสอบจะอยู่ใน positive class ถูกเก็บไว้ใน y_pred_probs

โมเดล knn ถูกสร้างไว้แล้วและแสดง performance metrics ไว้ใน console เพื่อให้สามารถเปรียบเทียบ roc_auc_score, confusion_matrix และ classification_report ระหว่างสองโมเดลได้

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Supervised Learning ด้วย scikit-learn

ดูคอร์ส

คำแนะนำการฝึกหัด

  • Import roc_auc_score
  • คำนวณและแสดงค่า ROC AUC score โดยส่ง test labels และความน่าจะเป็นของ positive class เป็น arguments
  • คำนวณและแสดง confusion matrix
  • เรียกใช้ classification_report()

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# Import roc_auc_score
____

# Calculate roc_auc_score
print(____(____, ____))

# Calculate the confusion matrix
print(____(____, ____))

# Calculate the classification report
print(____(____, ____))
แก้ไขและรันโค้ด