ROC AUC
Крива ROC, яку ви побудували у попередній вправі, виглядала багатообіцяльно.
Тепер обчисліть площу під ROC-кривою, а також інші метрички класифікації, з якими ви вже працювали.
Функції confusion_matrix і classification_report уже попередньо завантажені для вас, так само як і побудована раніше модель logreg, а також X_train, X_test, y_train, y_test. Крім того, передбачені мітки для тестової вибірки збережено в y_pred, а ймовірності належності спостережень тестової вибірки до позитивного класу — у y_pred_probs.
Модель knn також створено, а її показники виведено в консоль, тож ви можете порівняти roc_auc_score, confusion_matrix і classification_report для двох моделей.
Ця вправа є частиною курсу
Кероване навчання зі scikit-learn
Інструкції до вправи
- Імпортуйте
roc_auc_score. - Обчисліть і виведіть ROC AUC, передавши мітки тестової вибірки та ймовірності позитивного класу.
- Обчисліть і виведіть матрицю неточностей (confusion matrix).
- Викличте
classification_report().
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# Import roc_auc_score
____
# Calculate roc_auc_score
print(____(____, ____))
# Calculate the confusion matrix
print(____(____, ____))
# Calculate the classification report
print(____(____, ____))