ROC/AUC skorunu hesaplama
Recall skoru, bir sınıflandırma algoritmasının doğruluğunu ölçmek için önemli bir metriktir ama Yanlış Negatiflerin sayısına fazla ağırlık verir. Öte yandan Precision, Yanlış Pozitiflerin sayısına odaklanır.
Bu ikisinin birleşimi ROC eğrisini oluşturur ve hem recall hem de precision'ı değerlendirmemizi sağlar. ROC eğrisinin altındaki alan AUC skoru olarak hesaplanır.
Bu egzersizde, sklearn roc_auc_score() fonksiyonunu kullanarak ilk model için ROC/AUC skorunu hesaplayacaksın.
features_test ve target_test değişkenleri çalışma alanında hazır.
Bu egzersiz
İK Analitiği: Python ile Çalışan Terkini (Churn) Tahmin Etme
kursunun bir parçasıdırEgzersiz talimatları
- ROC/AUC skorunu hesaplayan fonksiyonu içe aktar.
- Test kümesinin özelliklerine dayanarak, ilk modeli kullanıp churn tahmini yap.
target_testile tahmini karşılaştırarak ROC/AUC skorunu hesapla.
Uygulamalı interaktif egzersiz
Bu örnek kodu tamamlayarak bu egzersizi bitirin.
# Import the function to calculate ROC/AUC score
from sklearn.____ import ____
# Use initial model to predict churn (based on features_test)
prediction = model.predict(____)
# Calculate ROC/AUC score by comparing target_test with the prediction
____(____, prediction)