Začněte nyníZačněte zdarma

Měření výkonu logistického modelu

Jak už víš, existuje několik metrik pro měření výkonu logistického regresního modelu. V tomto závěrečném cvičení ručně vypočítáš přesnost (accuracy), senzitivitu (sensitivity) a specificitu (specificity). Připomeňme si jejich definice:

Přesnost (accuracy) je podíl správně klasifikovaných předpovědí. $$ \text{accuracy} = \frac{TN + TP}{TN + FN + FP + TP} $$

Senzitivita (sensitivity) je podíl skutečně pravdivých pozorování, která model správně předpověděl jako pravdivá. $$ \text{sensitivity} = \frac{TP}{TP + FN} $$

Specificita (specificity) je podíl skutečně nepravdivých pozorování, která model správně předpověděl jako nepravdivá. $$ \text{specificity} = \frac{TN}{TN + FP} $$

K dispozici máš proměnné churn, mdl_churn_vs_relationship a conf_matrix.

Toto cvičení je součástí kurzu

Úvod do regrese s knihovnou statsmodels v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Extrahuj z conf_matrix počty skutečně pozitivních (TP), skutečně negativních (TN), falešně pozitivních (FP) a falešně negativních (FN) případů.
  • Vypočítej accuracy modelu.
  • Vypočítej sensitivity modelu.
  • Vypočítej specificity modelu.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Extract TN, TP, FN and FP from conf_matrix
TN = ____
TP = ____
FN = ____
FP = ____

# Calculate and print the accuracy
accuracy = ____
print("accuracy: ", accuracy)

# Calculate and print the sensitivity
sensitivity = ____
print("sensitivity: ", sensitivity)

# Calculate and print the specificity
specificity = ____
print("specificity: ", specificity)
Upravit a spustit kód