Precision und Recall berechnen
Das Untermodul sklearn.metrics bietet viele Funktionen, mit denen du interessante Kennzahlen ganz einfach berechnen kannst. Bisher hast du Precision und Recall per Hand berechnet – das ist wichtig, um ein gutes Gefühl für beide Metriken zu entwickeln.
In der Praxis kannst du anschließend die Funktionen precision_score und recall_score nutzen, die Precision bzw. Recall automatisch berechnen. Beide funktionieren ähnlich wie andere Funktionen in sklearn.metrics: Sie nehmen zwei Argumente entgegen – zuerst die tatsächlichen Labels (y_test) und dann die vorhergesagten Labels (y_pred).
Probieren wir jetzt eine Trainingsgröße von 90 % aus.
Diese Übung ist Teil des Kurses
<Kurs>Marketing Analytics: Kundenabwanderung in Python vorhersagen</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Import train_test_split
from sklearn.model_selection import train_test_split
# Create feature variable
X = telco.drop('Churn', axis=1)
# Create target variable
y = telco['Churn']
# Create training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.1)
# Import RandomForestClassifier
from sklearn.ensemble import RandomForestClassifier
# 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 precision_score