ПочатиПочніть безкоштовно

Поза межами простої точності

У цій вправі, щоб не обмежуватися лише точністю, ви оціните AUC ROC-кривої для базової моделі дерева рішень. Пам'ятайте, що базовим орієнтиром для випадкового класифікатора є AUC, що дорівнює 0,5, тож вам потрібно отримати вищий показник за 0,5.

X доступний як датафрейм з ознаками, а y — як датафрейм із цільовими значеннями. Також у вашому робочому середовищі доступні sklearn і pandas як pd.

Ми використаємо це налаштування, щоб подивитися на AUC нашої ROC-кривої.

Ця вправа є частиною курсу

Прогнозування CTR за допомогою машинного навчання в Python

Переглянути курс

Інструкції до вправи

  • Розбийте дані на тренувальну та тестову вибірки.
  • Навчіть класифікатор на тренувальних даних і зробіть передбачення для тестових даних за допомогою predict_proba() та predict().
  • Оцініть площу під ROC-кривою (AUC), використовуючи функцію roc_curve() для y_test через roc_curve(y_test, y_score[:, 1]).

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Training and testing
X_train, X_test, y_train, y_test = \
	____(X, y, test_size = .2, random_state = 0)

# Create decision tree classifier
clf = DecisionTreeClassifier()

# Train classifier - predict probability score and label
y_score = clf.fit(____, ____).predict_proba(____) 
y_pred = clf.fit(____, ____).predict(____) 

# Get ROC curve metrics
fpr, tpr, thresholds = ____(____, y_score[:, 1])
roc_auc = auc(fpr, tpr)
print(roc_auc)
Редагувати та запускати код