評估 AdaBoost 分類器
現在你已經完成 ada 的訓練，並在測試集中預測得到正類別的機率，是時候評估 ada 的 ROC AUC 分數了。回想一下，二元分類器的 ROC AUC 分數可以使用 sklearn.metrics 中的 roc_auc_score() 函式計算。
你在上一個練習中計算的陣列 y_test 和 y_pred_proba 已經放在你的工作空間中。
本練習屬於課程
Machine Learning with Tree-Based Models in Python
練習說明
從
sklearn.metrics匯入roc_auc_score。計算
ada在測試集的 ROC AUC 分數，指定給ada_roc_auc，並將其印出。
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 roc_auc_score
____
# Evaluate test-set roc_auc_score
____ = ____(____, ____)
# Print roc_auc_score
print('ROC AUC score: {:.2f}'.format(ada_roc_auc))