Výpočet metrik přesnosti: precision
Skóre precision je důležitá metrika, která měří přesnost klasifikačního algoritmu. Vypočítá se jako podíl skutečně pozitivních výsledků (True Positives) k součtu skutečně pozitivních a falešně pozitivních výsledků (False Positives), neboli $$\frac{\text{# of True Positives}}{\text{# of True Positives} + \text{# of False Positives}}.$$
- True Positives definujeme jako počet zaměstnanců, kteří skutečně odešli a model je správně klasifikoval jako odcházející
- False Positives definujeme jako počet zaměstnanců, kteří skutečně zůstali, ale model je chybně klasifikoval jako odcházející
Pokud neexistují žádné False Positives, skóre precision se rovná 1. Pokud neexistují žádné True Positives, skóre precision se rovná 0.
V tomto cvičení vypočítáme skóre precision (pomocí funkce precision_score z knihovny sklearn) pro náš počáteční klasifikační model.
Proměnné features_test a target_test jsou dostupné ve tvém pracovním prostředí.
Toto cvičení je součástí kurzu
HR Analytics: Predicting Employee Churn in Python
Pokyny k cvičení
- Importuj funkci
precision_scorez modulusklearn.metrics. - Pomocí počátečního modelu předpověz odchody zaměstnanců (na základě příznaků testovací sady).
- Vypočítej skóre precision porovnáním
target_tests predikcemi na testovací sadě.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Import the function to calculate precision score
from sklearn.____ import ____
# Predict whether employees will churn using the test set
prediction = model.____(features_test)
# Calculate precision score by comparing target_test with the prediction
____(target_test, ____)