衡量 AUC

既然您已经使用交叉验证计算了样本外平均准确率（由错误率转换而来），那么计算其他您关心的指标就很容易了。您只需将该指标（或指标列表）作为参数传给 xgb.cv() 的 metrics 参数即可。

本练习中，您的任务是计算二分类中另一个常用指标——曲线下面积（"auc"）。与之前一样，churn_data 已在您的工作区中可用，同时提供了 DMatrix churn_dmatrix 和参数字典 params。

本练习是课程的一部分

使用 XGBoost 的极端梯度提升

查看课程

练习说明

使用 5 次 boosting 轮数和 "auc" 作为评估指标，执行 3 折交叉验证。
打印 cv_results 的 "test-auc-mean" 列。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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])

编辑并运行代码