Konfusionsmatrix
Wenn die Zielvariable nur zwei Ausprägungen hat, wie beim Churn-Beispiel, lauten die Erfolgsmaße für das Modell: „Wie viele Fälle mit Churn hat das Modell korrekt vorhergesagt?“ und „Wie viele Fälle ohne Churn hat das Modell korrekt vorhergesagt?“. Das findest du heraus, indem du eine Konfusionsmatrix erstellst und daraus Kennzahlen berechnest.
Erinnere dich an die folgenden Definitionen:
Accuracy ist der Anteil der Vorhersagen, die korrekt sind. $$ \text{accuracy} = \frac{TN + TP}{TN + FN + FP + TP} $$
Sensitivity ist der Anteil der wahren Beobachtungen, die vom Modell korrekt als wahr vorhergesagt werden. $$ \text{sensitivity} = \frac{TP}{TP + FN} $$
Specificity ist der Anteil der falschen Beobachtungen, die vom Modell korrekt als falsch vorhergesagt werden. $$ \text{specificity} = \frac{TN}{TN + FP} $$
churn und mdl_churn_vs_both_inter sind verfügbar.
Diese Übung ist Teil des Kurses
<Kurs>Fortgeschrittene Regression mit statsmodels in Python</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Create conf_matrix
conf_matrix = ____
# Print it
print(conf_matrix)