Medir el rendimiento de un modelo logístico
Como ya sabes, existen varias métricas para medir el rendimiento de un modelo de regresión logística. En este último ejercicio, calcularás manualmente la exactitud (accuracy), la sensibilidad (sensitivity) y la especificidad (specificity). Recuerda estas definiciones:
Accuracy es la proporción de predicciones que son 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, mdl_churn_vs_relationship y conf_matrix están disponibles.
Este ejercicio forma parte del curso
Introducción a la regresión con statsmodels en Python
Instrucciones del ejercicio
- Extrae el número de verdaderos positivos (
TP), verdaderos negativos (TN), falsos positivos (FP) y falsos negativos (FN) deconf_matrix. - Calcula la
accuracydel modelo. - Calcula la
sensitivitydel modelo. - Calcula la
specificitydel modelo.
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Extract TN, TP, FN and FP from conf_matrix
TN = ____
TP = ____
FN = ____
FP = ____
# Calculate and print the accuracy
accuracy = ____
print("accuracy: ", accuracy)
# Calculate and print the sensitivity
sensitivity = ____
print("sensitivity: ", sensitivity)
# Calculate and print the specificity
specificity = ____
print("specificity: ", specificity)