计算 ROC/AUC 分数
虽然召回率（Recall）是衡量分类算法准确性的重要指标，但它对"假阴性"（False Negatives）的数量权重较大。相对地，精确率（Precision）更关注"假阳性"（False Positives）的数量。
将二者结合得到的 ROC 曲线，可以同时衡量召回率与精确率。ROC 曲线下面积即 AUC 分数。
在本练习中，您将使用 sklearn 的 roc_auc_score() 函数为初始模型计算 ROC/AUC 分数。
变量 features_test 和 target_test 已在您的工作区中提供。
本练习是课程的一部分
HR Analytics：用 Python 预测员工流失
练习说明
- 导入用于计算 ROC/AUC 分数的函数。
- 使用初始模型基于测试集的特征预测流失。
- 通过将
target_test与预测结果进行比较来计算 ROC/AUC 分数。
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 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)