评估 AdaBoost 分类器
现在您已经完成了对 ada 的训练，并在测试集中预测了得到正类的概率，是时候评估 ada 的 ROC AUC 分数了。回顾一下，二分类器的 ROC AUC 分数可以使用 sklearn.metrics 中的 roc_auc_score() 函数计算。
您在上一个练习中计算得到的数组 y_test 和 y_pred_proba 已在您的工作区中可用。
本练习是课程的一部分
Python 树模型机器学习
练习说明
从
sklearn.metrics导入roc_auc_score。计算
ada在测试集上的 ROC AUC 分数，将其赋值给ada_roc_auc，并打印出来。
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 roc_auc_score
____
# Evaluate test-set roc_auc_score
____ = ____(____, ____)
# Print roc_auc_score
print('ROC AUC score: {:.2f}'.format(ada_roc_auc))