F1-Score
Wie du festgestellt hast, gibt es einen Trade-off zwischen Precision und Recall. Beide sind wichtige Metriken, und je nachdem, wie das Unternehmen Churn modellieren möchte, kann es sinnvoll sein, die eine stärker zu optimieren als die andere. Oft wünschen sich Stakeholder jedoch eine einzige Kennzahl, die die Modellleistung quantifiziert. Die AUC ist eine Option, und eine weitere ist der F1-Score, der wie folgt berechnet wird:
2 * (precision * recall) / (precision + recall)
Der Vorteil des F1-Scores ist, dass er sowohl Precision als auch Recall in einer einzigen Kennzahl vereint. Ein hoher F1-Score ist ein Zeichen für ein gut performendes Modell – sogar bei unausgewogenen Klassen. In scikit-learn kannst du den F1-Score mit der Funktion f1_score berechnen.
Diese Übung ist Teil des Kurses
<Kurs>Marketing Analytics: Kundenabwanderung in Python vorhersagen</Kurs>Übungsanweisungen
- Importiere
f1_scoreaussklearn.metrics. - Gib den F1-Score des trainierten Random Forest aus.
Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# 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(____)