Calcular precisión y recall
El submódulo sklearn.metrics tiene muchas funciones que te permiten calcular fácilmente métricas interesantes. Hasta ahora, has calculado la precisión y el recall a mano; esto es importante mientras desarrollas tu intuición sobre ambas métricas.
En la práctica, cuando ya la tengas, puedes aprovechar las funciones precision_score y recall_score, que calculan automáticamente la precisión y el recall, respectivamente. Ambas funcionan de forma similar a otras funciones de sklearn.metrics: aceptan 2 argumentos; el primero son las etiquetas reales (y_test) y el segundo son las etiquetas predichas (y_pred).
Ahora probemos con un tamaño de entrenamiento del 90%.
Este ejercicio forma parte del curso
Marketing Analytics: Predicción de churn de clientes en Python
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# 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