計算 ROC/AUC 分數
雖然 Recall 分數是衡量分類演算法準確度的重要指標，但它對「假陰性（False Negatives）」的數量權重較高；相對地，Precision 則較著重「假陽性（False Positives）」的數量。
將兩者結合得到的 ROC 曲線，可以同時衡量 recall 與 precision。而 ROC 曲線下的面積（AUC）則作為整體表現的分數。
在這個練習中，你將使用 sklearn 的 roc_auc_score() 函式，計算初始模型的 ROC/AUC 分數。
變數 features_test 與 target_test 已在你的工作環境中可用。
本練習屬於課程
HR 分析：用 Python 預測員工流失
練習說明
- 匯入用來計算 ROC/AUC 分數的函式。
- 使用初始模型，根據測試集的特徵來預測離職（churn）。
- 比較
target_test與預測結果，計算 ROC/AUC 分數。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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)