AUC Ölçümü

Artık çapraz doğrulamayı kullanarak (hata üzerinden dönüştürerek) ortalama örneklem-dışı doğruluğu hesapladığına göre, ilgilendiğin başka herhangi bir metriği hesaplamak da oldukça kolay. Tek yapman gereken, onu (ya da metriklerden oluşan bir listeyi) xgb.cv() fonksiyonunun metrics parametresine argüman olarak vermek.

Bu egzersizdeki görevin, ikili sınıflandırmada yaygın olan başka bir metriği hesaplamak: eğri altında kalan alan ("auc"). Daha önce olduğu gibi, çalışma alanında churn_data, DMatrix churn_dmatrix ve parametre sözlüğü params hazır.

Bu egzersiz, kursun bir parçasıdır

XGBoost ile Aşırı Gradyan Artırma

Kursa Göz Atın

Egzersiz talimatları

5 boosting turu ve metrik olarak "auc" ile 3 katlı çapraz doğrulama yap.
cv_results değişkeninin "test-auc-mean" sütununu yazdır.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Perform cross_validation: cv_results
cv_results = ____(dtrain=____, params=____, 
                  nfold=____, num_boost_round=____, 
                  metrics="____", as_pandas=True, seed=123)

# Print cv_results
print(cv_results)

# Print the AUC
print((cv_results["____"]).iloc[-1])

Kodu Düzenle ve Çalıştır