Đo lường AUC
Sau khi bạn đã dùng cross-validation để tính độ chính xác trung bình ngoài mẫu (sau khi chuyển đổi từ lỗi), thì việc tính bất kỳ chỉ số nào khác bạn quan tâm cũng rất dễ. Tất cả những gì bạn cần làm là truyền chỉ số đó (hoặc một danh sách chỉ số) vào tham số metrics của xgb.cv().
Nhiệm vụ của bạn trong bài này là tính một chỉ số phổ biến khác dùng cho phân loại nhị phân - diện tích dưới đường cong ("auc"). Như trước, churn_data có sẵn trong không gian làm việc của bạn, cùng với DMatrix churn_dmatrix và từ điển tham số params.
Bài tập này là một phần của khóa học
Gradient Boosting Cực Mạnh với XGBoost
Hướng dẫn bài tập
- Thực hiện cross-validation 3-fold với
5vòng boosting và dùng"auc"làm chỉ số. - In cột
"test-auc-mean"củacv_results.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Perform cross_validation: cv_results
cv_results = ____(dtrain=____, params=____,
nfold=____, num_boost_round=____,
metrics="____", as_pandas=True, seed=123)
# Print cv_results
print(cv_results)
# Print the AUC
print((cv_results["____"]).iloc[-1])