不止于准确率
在本练习中，为了不只关注准确率，您将评估一个基础决策树模型的 ROC 曲线下的 AUC。请记住，随机分类器的基线 AUC 为 0.5，因此您的目标应高于 0.5。
X 是包含特征的 DataFrame，y 是包含目标值的 DataFrame。sklearn 和作为 pd 导入的 pandas 均已在您的工作区中可用。
我们将基于此设置来查看 ROC 曲线的 AUC。
本练习是课程的一部分
用 Python 预测 CTR 的机器学习实战
练习说明
- 将数据拆分为训练集和测试集。
- 使用训练数据拟合分类器，并通过
predict_proba()和predict()对测试数据进行预测。 - 使用
roc_curve(y_test, y_score[:, 1])基于y_test调用roc_curve()，评估 ROC 曲线下的 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。
# Training and testing
X_train, X_test, y_train, y_test = \
____(X, y, test_size = .2, random_state = 0)
# Create decision tree classifier
clf = DecisionTreeClassifier()
# Train classifier - predict probability score and label
y_score = clf.fit(____, ____).predict_proba(____)
y_pred = clf.fit(____, ____).predict(____)
# Get ROC curve metrics
fpr, tpr, thresholds = ____(____, y_score[:, 1])
roc_auc = auc(fpr, tpr)
print(roc_auc)