Cálculo de métricas de precisión: recall
El recall (exhaustividad) es otra métrica importante para medir la precisión de un algoritmo de clasificación. Se calcula como la fracción de Verdaderos Positivos sobre la suma de Verdaderos Positivos y Falsos Negativos, es decir: $$\frac{\text{# de Verdaderos Positivos}}{\text{# de Verdaderos Positivos} + \text{# de Falsos Negativos}}.$$
Si no hay Falsos Negativos, el recall es igual a 1. Si no hay Verdaderos Positivos, el recall es igual a 0.
En este ejercicio, vas a calcular el recall (usando la función de sklearn recall_score) para tu modelo de clasificación inicial.
Las variables features_test y target_test están disponibles en tu espacio de trabajo.
Este ejercicio forma parte del curso
Analítica de RR. HH.: Predicción de rotación de empleados en Python
Instrucciones del ejercicio
- Importa la función para calcular el recall.
- Usa el modelo inicial para predecir el churn (basado en las características del conjunto de prueba).
- Calcula el recall comparando
target_testcon las predicciones.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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, ____)