Tính điểm ROC/AUC
Mặc dù Recall là một chỉ số quan trọng để đo độ chính xác của thuật toán phân loại, nó đặt nặng vào số lượng False Negatives. Ngược lại, Precision tập trung vào số lượng False Positives.
Kết hợp hai yếu tố này trong đường cong ROC cho phép chúng ta đo lường cả recall và precision. Diện tích dưới đường cong ROC được tính thành điểm AUC.
Trong bài tập này, bạn sẽ tính điểm ROC/AUC cho mô hình ban đầu bằng hàm roc_auc_score() của sklearn.
Các biến features_test và target_test đã có sẵn trong môi trường làm việc của bạn.
Bài tập này là một phần của khóa học
Phân tích Nhân sự (HR Analytics): Dự đoán nghỉ việc bằng Python
Hướng dẫn bài tập
- Import hàm để tính điểm ROC/AUC.
- Dùng mô hình ban đầu để dự đoán churn (dựa trên các đặc trưng của tập kiểm tra).
- Tính điểm ROC/AUC bằng cách so sánh
target_testvới kết quả dự đoán.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Import the function to calculate ROC/AUC score
from sklearn.____ import ____
# Use initial model to predict churn (based on features_test)
prediction = model.predict(____)
# Calculate ROC/AUC score by comparing target_test with the prediction
____(____, prediction)