Оцініть класифікатор AdaBoost
Тепер, коли ви натренували ada і спрогнозували ймовірності отримання позитивного класу в тестовій вибірці, час обчислити ROC AUC для ada. Нагадаємо, що ROC AUC бінарного класифікатора можна визначити за допомогою функції roc_auc_score() з sklearn.metrics.
Масиви y_test і y_pred_proba, які ви обчислили у попередній вправі, доступні у вашому робочому середовищі.
Ця вправа є частиною курсу
Машинне навчання з деревоподібними моделями в Python
Інструкції до вправи
Імпортуйте
roc_auc_scoreзsklearn.metrics.Обчисліть ROC AUC на тестовій вибірці для
ada, присвойте його зміннійada_roc_aucі виведіть значення на екран.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Import roc_auc_score
____
# Evaluate test-set roc_auc_score
____ = ____(____, ____)
# Print roc_auc_score
print('ROC AUC score: {:.2f}'.format(ada_roc_auc))