RF 模型的性能指标
在前面的练习中，您已经得到了随机森林模型的准确率分数。但在欺诈检测中，准确率可能会产生误导。当数据高度不平衡时，AUROC 曲线 是更可靠的性能指标，可用于比较不同分类器。此外，分类报告 能告诉您模型的精确率和召回率，而 混淆矩阵 则直观展示模型实际能正确识别的欺诈样本数量。现在就来计算这些性能指标。
您将继续使用上一个练习中的同一随机森林模型。您的模型定义为 model = RandomForestClassifier(random_state=5)，已在训练数据上完成拟合，并且 X_train, y_train, X_test, y_test 已可用。
本练习是课程的一部分
Python 中的欺诈检测
练习说明
- 从
sklearn.metrics导入分类报告、混淆矩阵和 ROC 分数相关函数。 - 基于已训练的随机森林
model获取二分类预测结果。 - 运行
predict_proba()函数以获得预测概率。 - 将
y_test与predicted进行比较，得到分类报告和混淆矩阵。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# Import the packages to get the different performance metrics
from sklearn.metrics import ____, ____, ____
# Obtain the predictions from our random forest model
predicted = model.____(X_test)
# Predict probabilities
probs = ____.____(X_test)
# Print the ROC curve, classification report and confusion matrix
print(____(y_test, probs[:,1]))
print(____(____, predicted))
print(____(____, ____))