# ナイーブベイズの予測を含む新しい特徴量を作成 nb_predictions = best_model.predict(X_test) X_rf = np.column_stack((X_test.toarray(), nb_predictions)) # ランダムフォレストのトレーニング rf_classifier = RandomForestClassifier() rf_classifier.fit(X_rf, y_test) # テストデータでの予測と評価 y_pred_rf = rf_classifier.predict(X_rf) accuracy_rf = accuracy_score(y_test, y_pred_rf) print(“Random Forest Accuracy:”, accuracy_rf) print(“Random Forest Classification Report:”) print(classification_report(y_test, y_pred_rf)) AUCも出せる？
はい、AUC（Area Under the ROC Curve）は、分類モデルの性能を評価するための一般的な指標です。AUCは、ROC曲線（Receiver Operating Characteristic curve）の下の領域を表し、モデルが異なるクラスの間でどれだけうまくランク付けできるかを示します。
Scikit-learnでは、roc_auc_score関数を使用してAUCを計算できます。以下は、Random ForestモデルでAUCを計算する例です。
python
from sklearn.metrics import roc_auc_score # テストデータでの予測 y_proba_rf = rf_classifier.predict_proba(X_rf) # AUCの計算 auc_rf = roc_auc_score(y_test, y_proba_rf, multi_class='ovr') # 多クラスの場合は'multi_class'を指定 print("Random Forest AUC:", auc_rf)
このコードでは、predict_probaメソッドを使用してテストデータの各クラスに対する予測確率を取得し、roc_auc_score関数を使用してAUCを計算しています。multi_classパラメータを'ovr'に設定することで、多クラス分類の場合にはOne-vs-Rest（OvR）方式でAUCを計算します。