右侧显示的是上一个练习中的 ROC 曲线。直观来看，模型表现不错。现在让我们通过计算曲线下面积来量化这一点。
本练习是课程的一部分
通过完成这段示例代码来试试这个练习。
# Import roc_auc_score
使用 pandas 计算摘要统计量，并用 Seaborn 创建美观的可视化，开始探索 Telco Churn 数据集。
在完成数据探索后，现在需要对数据进行预处理，为机器学习做好准备。学习预处理的动机、内容与方法，包括特征选择与特征工程。
数据预处理完成并可用于机器学习后，就该进行流失预测了！学习如何在 Python 中使用 scikit-learn 构建监督学习模型。
当前练习
学习如何通过超参数调优提升模型性能，并更好地理解导致客户流失的关键因素，以便为业务提供支持。