Genauigkeitsmetriken berechnen: Recall
Der Recall-Score ist eine weitere wichtige Metrik, um die Genauigkeit eines Klassifikationsalgorithmus zu messen. Er wird als Anteil der True Positives an der Summe aus True Positives und False Negatives berechnet, also $$\frac{\text{# der True Positives}}{\text{# der True Positives} + \text{# der False Negatives}}.$$
Gibt es keine False Negatives, ist der Recall-Score gleich 1. Gibt es keine True Positives, ist der Recall-Score gleich 0.
In dieser Übung berechnest du den Recall-Score (mit der sklearn-Funktion recall_score) für dein initiales Klassifikationsmodell.
Die Variablen features_test und target_test sind in deinem Workspace verfügbar.
Diese Übung ist Teil des Kurses
HR Analytics: Mitarbeiterfluktuation mit Python vorhersagen
Anleitung zur Übung
- Importiere die Funktion zur Berechnung des Recall-Scores.
- Verwende das initiale Modell, um Churn vorherzusagen (basierend auf den Merkmalen des Testsets).
- Berechne den Recall-Score, indem du
target_testmit den Vorhersagen vergleichst.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Import the function to calculate recall score
from sklearn.____ import ____
# Use the initial model to predict churn
prediction = model.____(features_test)
# Calculate recall score by comparing target_test with the prediction
____(target_test, ____)