评估最优树模型

在本练习中，您将评估 grid_dt 的最优模型在测试集上的 ROC AUC 分数。

为此，您将首先为测试集中的每个观测确定获得正类标签的概率。您可以使用 sklearn 分类器的 predict_proba() 方法来计算一个二维数组，其列分别为负类和正类标签的概率。

数据集已为您加载并预处理（数值特征已标准化）；数据已按 80% 训练集、20% 测试集切分。X_test、y_test 已在您的工作区中可用。此外，我们还加载了您在上一个练习中实例化并训练好的 GridSearchCV 对象 grid_dt。请注意，grid_dt 的训练方式如下：

grid_dt.fit(X_train, y_train)

本练习是课程的一部分

Python 树模型机器学习

查看课程

练习说明

从 sklearn.metrics 导入 roc_auc_score。
从 grid_dt 中提取 .best_estimator_ 属性并赋值给 best_model。
预测测试集获得正类的概率，赋值给 y_pred_proba。
计算 best_model 在测试集上的 ROC AUC 分数 test_roc_auc。

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 from sklearn.metrics
____

# Extract the best estimator
best_model = ____

# Predict the test set probabilities of the positive class
y_pred_proba = ____

# Compute test_roc_auc
test_roc_auc = ____

# Print test_roc_auc
print('Test set ROC AUC score: {:.3f}'.format(test_roc_auc))

编辑并运行代码