CommencezCommencez gratuitement

Mesurer la performance d'un modèle logistique

Comme vous le savez maintenant, il existe plusieurs mesures pour évaluer la performance d'un modèle de régression logistique. Dans cet ultime exercice, vous allez calculer manuellement l'exactitude, la sensibilité et la spécificité. Rappelez-vous les définitions suivantes :

Accuracy (exactitude) est la proportion de prédictions correctes. $$ \text{accuracy} = \frac{TN + TP}{TN + FN + FP + TP} $$

Sensitivity (sensibilité) est la proportion d'observations vraies correctement prédites par le modèle comme étant vraies. $$ \text{sensitivity} = \frac{TP}{TP + FN} $$

Specificity (spécificité) est la proportion d'observations fausses correctement prédites par le modèle comme étant fausses. $$ \text{specificity} = \frac{TN}{TN + FP} $$

churn, mdl_churn_vs_relationship et conf_matrix sont disponibles.

Cette activité fait partie du cours

Introduction à la régression avec statsmodels en Python

Voir le cours

Instructions de l’exercice

  • Extrayez le nombre de vrais positifs (TP), de vrais négatifs (TN), de faux positifs (FP) et de faux négatifs (FN) à partir de conf_matrix.
  • Calculez l'accuracy (exactitude) du modèle.
  • Calculez la sensitivity (sensibilité) du modèle.
  • Calculez la specificity (spécificité) du modèle.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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)
Modifier et exécuter le code