BaşlayınÜcretsiz başlayın

Sadece doğruluğun ötesinde

Bu egzersizde, yalnızca doğruluğa bakmanın ötesine geçmek için, temel bir karar ağacı modelinin ROC eğrisi için AUC'yi değerlendireceksin. Rastgele bir sınıflandırıcı için karşılaştırma taban çizgisinin AUC = 0.5 olduğunu unutma; bu nedenle 0.5'ten daha yüksek bir puan hedeflemelisin.

X, özellikleri içeren DataFrame olarak; y ise hedef değerleri içeren DataFrame olarak mevcut. Hem sklearn hem de pandas (pd olarak) çalışma alanında hazır.

ROC eğrimizin AUC'sine bakmak için bu kurulumu kullanacağız.

Bu egzersiz, kursun bir parçasıdır

Python ile Machine Learning kullanarak TOB tahmini

Kursa Göz Atın

Egzersiz talimatları

  • Veriyi eğitim ve test kümelerine ayır.
  • Sınıflandırıcıyı eğitim verisiyle eğit ve predict_proba() ile predict() kullanarak test verisi için tahminler yap.
  • ROC eğrisi altındaki AUC'yi, y_test üzerinde roc_curve(y_test, y_score[:, 1]) aracılığıyla roc_curve() fonksiyonunu kullanarak değerlendir.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# 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)
Kodu Düzenle ve Çalıştır