Загрузите датасет для классификации музыкальных жанров, проведите подготовку данных и обучите модель kNN. Классифицируйте данные их тестовой выборки, постройте график ROC-кривой с помощью RocCurveDisplay() и вычислите ROC-AUC.
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import OneHotEncoder, LabelEncoder
from sklearn.preprocessing import StandardScaler
# импортируйте функции для графика ROC-кривой и расчёта ROC-AUC
from sklearn.metrics import RocCurveDisplay
from sklearn.metrics import roc_auc_score
# импортируем класс для модели классификации kNN
from sklearn.neighbors import KNeighborsClassifier
# создание константы RANDOM_STATE
RANDOM_STATE = 42
# выполняем подготовку данных функцией, все операции в скрытом прекоде
X_train, X_test, y_train, y_test = prepare_data('music_genre_2_classes_balanced_v2_exp.csv')
# создаём и обучаем модель kNN на тренировочных данных
model = KNeighborsClassifier()
model.fit(X_train, y_train)
# получите оценки вероятностей на тестовой выборке
#preds = model.fit(X_train, y_train)
preds = model.predict_proba(X_test)[:, 1]
# вычислите метрику ROC-AUC и выведите её на экран командой print()
#roc_auc = roc_auc_score(y_test, preds[:,1])
#print('ROC-AUC = ', roc_auc.round(2))
roc_auc = roc_auc_score(y_test, preds)
print(f'ROC-AUC = {roc_auc:.2f}')
# выведите на экран ROC-кривую методом from_estimator()
RocCurveDisplay.from_estimator(model, X_test, y_test)
plt.plot([0,1], [0,1], linestyle='dashed', label='Random prediction')
plt.title("График ROC-AUC")
plt.legend()
plt.show()Результат
ROC-AUC = 0.82
ROC-AUC = 0.82 — неплохой результат!