Calcul des mesures de justesse : précision
La mesure Precision est un indicateur important pour évaluer la justesse d'un algorithme de classification. Elle correspond à la fraction des vrais positifs sur la somme des vrais positifs et des faux positifs, soit $$\frac{\text{nb de vrais positifs}}{\text{nb de vrais positifs} + \text{nb de faux positifs}}.$$
- Nous définissons les vrais positifs comme le nombre d'employés qui ont effectivement quitté et qui ont été correctement classés comme quittant.
- Nous définissons les faux positifs comme le nombre d'employés qui sont effectivement restés, mais qui ont été erronément classés comme quittant.
S'il n'y a aucun faux positif, la précision est égale à 1. S'il n'y a aucun vrai positif, la précision est égale à 0.
Dans cet exercice, nous allons calculer la précision (à l'aide de la fonction precision_score de sklearn) pour notre modèle de classification initial.
Les variables features_test et target_test sont disponibles dans votre espace de travail.
Cette activité fait partie du cours
Analytique RH : prédire le roulement du personnel avec Python
Instructions de l’exercice
- Importez la fonction
precision_scoredu modulesklearn.metrics. - Utilisez le modèle initial pour prédire l'attrition (en fonction des caractéristiques de l'ensemble de test).
- Calculez la précision en comparant
target_testaux prédictions de l'ensemble de test.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Import the function to calculate precision score
from sklearn.____ import ____
# Predict whether employees will churn using the test set
prediction = model.____(features_test)
# Calculate precision score by comparing target_test with the prediction
____(target_test, ____)