Matriz de confusión
Cuando la variable respuesta tiene solo dos resultados, como en el caso de churn, las medidas de éxito del modelo son «¿en cuántos casos en los que el cliente se dio de baja el modelo lo predijo correctamente?» y «¿en cuántos casos en los que el cliente no se dio de baja el modelo lo predijo correctamente?». Puedes obtenerlas generando una matriz de confusión y calculando métricas de resumen sobre ella.
Recuerda las siguientes definiciones:
Accuracy es la proporción de predicciones correctas. $$ \text{accuracy} = \frac{TN + TP}{TN + FN + FP + TP} $$
Sensitivity es la proporción de observaciones verdaderas que el modelo predice correctamente como verdaderas. $$ \text{sensitivity} = \frac{TP}{TP + FN} $$
Specificity es la proporción de observaciones falsas que el modelo predice correctamente como falsas. $$ \text{specificity} = \frac{TN}{TN + FP} $$
churn y mdl_churn_vs_both_inter están disponibles.
Este ejercicio forma parte del curso
Regresión intermedia con statsmodels en Python
ejercicio interactivo práctico
Prueba este ejercicio completando este código de ejemplo.
# Create conf_matrix
conf_matrix = ____
# Print it
print(conf_matrix)