F1 skóre
Jak jsi zjistil/a, mezi přesností (precision) a úplností (recall) existuje kompromis. Obě metriky jsou důležité a podle toho, jak chce firma modelovat odchod zákazníků, se může vyplatit zaměřit na optimalizaci jedné z nich. Stakeholdeři ale často preferují jednu jedinou metriku, která dokáže výkon modelu shrnout. K tomu slouží například AUC nebo F1 skóre, které se počítá takto:
2 * (precision * recall) / (precision + recall)
Výhoda F1 skóre spočívá v tom, že v sobě spojuje přesnost i úplnost do jediné hodnoty. Vysoké F1 skóre je známkou dobře fungujícího modelu, a to i v situacích s nevyváženými třídami. V scikit-learn ho snadno spočítáš pomocí funkce f1_score.
Toto cvičení je součástí kurzu
Marketing Analytics: Predicting Customer Churn in Python
Pokyny k cvičení
- Importuj
f1_scorezsklearn.metrics. - Vypiš F1 skóre natrénovaného náhodného lesa.
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Instantiate the classifier
clf = RandomForestClassifier()
# Fit to the training data
clf.fit(X_train, y_train)
# Predict the labels of the test set
y_pred = clf.predict(X_test)
# Import f1_score
# Print the F1 score
print(____)