Оцініть оптимальне дерево
У цій вправі ви оціните метрику ROC AUC на тестовій вибірці для оптимальної моделі з grid_dt.
Для цього спочатку визначте ймовірність отримання позитивної мітки для кожного спостереження тестової вибірки. Ви можете скористатися методом predict_proba() класифікатора sklearn, щоб обчислити двовимірний масив, у стовпцях якого відповідно містяться ймовірності негативної та позитивної міток класу.
Набір даних уже завантажено й підготовлено для вас (числові ознаки стандартизовано); його поділено на 80% для тренування та 20% для тесту. X_test, y_test доступні у вашому робочому середовищі. Крім того, ми також завантажили навчений об'єкт GridSearchCV grid_dt, який ви створили в попередній вправі. Зауважте, що grid_dt було натреновано так:
grid_dt.fit(X_train, y_train)
Ця вправа є частиною курсу
Машинне навчання з деревоподібними моделями в Python
Інструкції до вправи
Імпортуйте
roc_auc_scoreзsklearn.metrics.Витягніть атрибут
.best_estimator_зgrid_dtі присвоїть його зміннійbest_model.Спрогнозуйте тестові ймовірності отримання позитивного класу у
y_pred_proba.Обчисліть ROC AUC на тестовій вибірці
test_roc_aucдляbest_model.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Import roc_auc_score from sklearn.metrics
____
# Extract the best estimator
best_model = ____
# Predict the test set probabilities of the positive class
y_pred_proba = ____
# Compute test_roc_auc
test_roc_auc = ____
# Print test_roc_auc
print('Test set ROC AUC score: {:.3f}'.format(test_roc_auc))