あとAUCも追加

2024年6月8日

AUC（Area Under the ROC Curve）は、モデルの性能を評価する際に一般的に使用されるメトリックの1つです。以下は、AUCを追加してモデルの性能を評価する方法です。

python
from sklearn.metrics import roc_auc_score, roc_curve
import matplotlib.pyplot as plt

# テストデータでの予測確率を取得
y_pred_proba_test = rf_classifier.predict_proba(X_test)[:, 1]

# AUCを計算
auc_score = roc_auc_score(y_test, y_pred_proba_test)
print("AUC Score:", auc_score)

# ROC曲線をプロット
fpr, tpr, thresholds = roc_curve(y_test, y_pred_proba_test)
plt.figure()
plt.plot(fpr, tpr, label='ROC curve (area = %0.2f)' % auc_score)
plt.plot([0, 1], [0, 1], 'k--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic (ROC) Curve')
plt.legend(loc="lower right")
plt.show()

このコードでは、roc_auc_score関数を使用してAUCを計算し、roc_curve関数を使用してROC曲線をプロットしています。ROC曲線は、真陽性率（True Positive Rate）と偽陽性率（False Positive Rate）の関係を示し、AUCはROC曲線の下の面積を表します。 AUCが1に近いほどモデルの性能が高いことを示します。