1. Learn
    2. /
  2. Курси
    3. /
  3. Машинне навчання з деревоподібними моделями в Python
Connected

вправа

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)

Інструкції

100 XP

  • Імпортуйте roc_auc_score з sklearn.metrics.

  • Витягніть атрибут .best_estimator_ з grid_dt і присвоїть його змінній best_model.

  • Спрогнозуйте тестові ймовірності отримання позитивного класу у y_pred_proba.

  • Обчисліть ROC AUC на тестовій вибірці test_roc_auc для best_model.