Matrice de confusion
Quand la variable réponse n'a que deux issues, comme dans le cas de l'attrition (churn), on évalue le modèle selon « combien de cas où la cliente ou le client s'est désabonné a-t-il bien prédits? » et « combien de cas où la personne ne s'est pas désabonnée a-t-il bien prédits? ». On obtient ces mesures en générant une matrice de confusion et en y calculant des métriques sommaires.
Rappelez-vous les définitions suivantes :
Accuracy correspond à la proportion de prédictions correctes. $$ \text{accuracy} = \frac{TN + TP}{TN + FN + FP + TP} $$
Sensitivity est la proportion d'observations vraies que le modèle prédit correctement comme étant vraies. $$ \text{sensitivity} = \frac{TP}{TP + FN} $$
Specificity est la proportion d'observations fausses que le modèle prédit correctement comme étant fausses. $$ \text{specificity} = \frac{TN}{TN + FP} $$
churn et mdl_churn_vs_both_inter sont disponibles.
Cette activité fait partie du cours
Régression intermédiaire avec statsmodels en Python
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Create conf_matrix
conf_matrix = ____
# Print it
print(conf_matrix)