Використання найкращих результатів
Аналізувати результати grid search цікаво, але наша кінцева мета — практична: ми хочемо зробити передбачення на тестовій вибірці за допомогою нашого об'єкта оцінювача.
Ми можемо отримати доступ до цього об'єкта через властивість best_estimator_ нашого об'єкта grid search.
Давайте подивимося, що міститься у властивості best_estimator_, зробимо передбачення та згенеруємо оцінки якості. Спершу використаємо стандартний метод predict (він повертає класи), але далі нам знадобиться predict_proba, а не predict, щоб обчислити показник roc-auc, адже для roc-auc потрібні ймовірності. Ми використаємо зріз [:,1], щоб отримати ймовірності додатного класу.
У вашому розпорядженні набори даних X_test і y_test, а також об'єкт grid_rf_class з попередніх вправ.
Ця вправа є частиною курсу
Тюнінг гіперпараметрів у Python
Інструкції до вправи
- Перевірте тип властивості
best_estimator_. - Використайте властивість
best_estimator_, щоб зробити передбачення на нашій тестовій вибірці. - Згенеруйте матрицю неточностей і значення ROC_AUC на основі наших передбачень.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# See what type of object the best_estimator_ property is
print(____(____.____))
# Create an array of predictions directly using the best_estimator_ property
predictions = grid_rf_class.____._____(X_test)
# Take a look to confirm it worked, this should be an array of 1's and 0's
print(predictions[0:5])
# Now create a confusion matrix
print("Confusion Matrix \n", confusion_matrix(y_test, ______))
# Get the ROC-AUC score
predictions_proba = grid_rf_class.best_estimator_.predict_proba(X_test)[:,1]
print("ROC-AUC Score \n", roc_auc_score(y_test, _____))