Calcul de la matrice de confusion

Une matrice de confusion (parfois appelée table de confusion) sert de base à toutes les mesures de performance pour les modèles dont la variable réponse est catégorielle (comme une régression logistique). Elle contient les comptes de chaque paire réponse réelle–réponse prévue. Dans ce cas, où il y a deux réponses possibles (fermeture de compte ou non), on obtient quatre issues possibles.

Vrai positif : Le client a fermé son compte et le modèle l'a prédit.
Faux positif : Le client n'a pas fermé son compte, mais le modèle a prédit qu'il le ferait.
Vrai négatif : Le client n'a pas fermé son compte et le modèle a prédit qu'il ne le ferait pas.
Faux négatif : Le client a fermé son compte, mais le modèle a prédit qu'il ne le ferait pas.

churn et mdl_churn_vs_relationship sont disponibles.

Cette activité fait partie du cours

Introduction à la régression avec statsmodels en Python

Instructions de l’exercice

Obtenez les réponses réelles en sélectionnant la colonne has_churned de l'ensemble de données. Assignez le résultat à actual_response.
Obtenez les réponses prévues « les plus probables » à partir du modèle. Assignez-les à predicted_response.
Créez un DataFrame à partir de actual_response et predicted_response. Assignez-le à outcomes.
Affichez outcomes sous forme de tableau de comptes, représentant la matrice de confusion. Ceci a été fait pour vous.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Get the actual responses
actual_response = ____

# Get the predicted responses
predicted_response = ____

# Create outcomes as a DataFrame of both Series
outcomes = pd.DataFrame({____,
                         ____})

# Print the outcomes
print(outcomes.value_counts(sort = False))

Modifier et exécuter le code

Cette activité fait partie du cours

Introduction à la régression avec statsmodels en Python

SkillTag.level.intermediateSkillTag.label

4.8+

Commencer le cours gratuitement

Vous apprendrez les bases de ce modèle statistique populaire, ce qu'est la régression et en quoi les régressions linéaire et logistique diffèrent. Vous verrez ensuite comment ajuster des modèles de régression linéaire simples avec des variables explicatives numériques et catégorielles, et comment décrire la relation entre la variable réponse et les variables explicatives à l'aide des coefficients du modèle.

Exercise 1: Une histoire de deux variables Exercise 2: Quelle est la variable réponse?Exercise 3: Visualiser deux variables numériques Exercise 4: Ajuster une régression linéaire Exercise 5: Estimer l'ordonnée à l'origine Exercise 6: Estimer la pente Exercise 7: Régression linéaire avec ols()Exercise 8: Variables explicatives catégorielles Exercise 9: Visualiser une variable numérique selon une variable catégorielle Exercise 10: Calculer des moyennes par catégorie Exercise 11: Régression linéaire avec une variable explicative catégorielle

Dans ce chapitre, vous découvrirez comment utiliser des modèles de régression linéaire pour faire des prédictions sur les prix des maisons à Taïwan et les clics sur des annonces Facebook. Vous ferez aussi progresser vos compétences en régression en manipulant des objets de modèle, en comprenant le concept de « régression vers la moyenne » et en apprenant à transformer des variables dans un jeu de données.

Exercise 1: Faire des prédictions Exercise 2: Prédire les prix des maisons Exercise 3: Visualiser les prédictions Exercise 4: Les limites de la prédiction Exercise 5: Travailler avec les objets de modèle Exercise 6: Extraire des éléments du modèle Exercise 7: Prédire manuellement les prix des maisons Exercise 8: Régression vers la moyenne Exercise 9: Circuit!Exercise 10: Tracer des rendements de portefeuille consécutifs Exercise 11: Modéliser les rendements consécutifs Exercise 12: Transformer des variables Exercise 13: Transformer la variable explicative Exercise 14: Transformer aussi la variable réponse Exercise 15: Transformation inverse

Dans ce chapitre, vous apprendrez à interroger votre modèle pour évaluer l'ajustement. Vous verrez comment quantifier la qualité d'ajustement d'un modèle de régression linéaire, diagnostiquer les problèmes du modèle à l'aide de visualisations et comprendre l'effet de levier et l'influence de chaque observation sur la création du modèle.

Exercise 1: Quantifier l’ajustement du modèle Exercise 2: Coefficient de détermination Exercise 3: Erreur-type résiduelle Exercise 4: Visualiser l'ajustement du modèle Exercise 5: Résidus vs valeurs ajustées Exercise 6: Diagramme Q-Q des résidus Exercise 7: Échelle-localisation Exercise 8: Tracer des graphiques diagnostiques Exercise 9: Valeurs aberrantes, levier et influence Exercise 10: Leverage Exercise 11: Influence Exercise 12: Extraire l'effet de levier et l'influence

Apprenez à ajuster des modèles de régression logistique. À partir de données réelles, vous prédirez la probabilité qu'un client ferme son compte bancaire sous forme de probabilités de succès et de cotes, et vous quantifierez la performance du modèle à l'aide de matrices de confusion.

Exercise 1: Pourquoi utiliser la régression logistique Exercise 2: Explorer les variables explicatives Exercise 3: Visualiser les modèles linéaires et logistiques Exercise 4: Régression logistique avec logit()Exercise 5: Prédictions et cotes Exercise 6: Probabilités Exercise 7: Issue la plus probable Exercise 8: Cotes Exercise 9: Log-cotes Exercise 10: Quantifier l'ajustement d'une régression logistique Exercise 11: Calcul de la matrice de confusion

Exercice en cours

Exercise 12: Tracer un diagramme mosaïque de la matrice de confusion Exercise 13: Exactitude, sensibilité, spécificité Exercise 14: Mesurer la performance d'un modèle logistique Exercise 15: Félicitations