Mesure F1
Comme vous l'avez vu, il y a un compromis entre la précision et le rappel. Ces deux mesures sont importantes et, selon la façon dont l'entreprise cherche à modéliser le churn, vous pourriez vouloir optimiser l'une plutôt que l'autre. Souvent, les parties prenantes souhaitent une seule mesure qui résume la performance du modèle. L'AUC en est une, et une autre est la mesure F1, calculée comme suit :
2 * (precision * recall) / (precision + recall)
L'avantage de la mesure F1 est qu'elle tient compte à la fois de la précision et du rappel dans une seule mesure. Une valeur F1 élevée indique qu'un modèle fonctionne bien, même lorsque les classes sont déséquilibrées. Dans scikit-learn, vous pouvez calculer la mesure F1 à l'aide de la fonction f1_score.
Cette activité fait partie du cours
Analytique marketing : prédire l'attrition de la clientèle avec Python
Instructions de l’exercice
- Importez
f1_scoredepuissklearn.metrics. - Affichez la mesure F1 de la forêt aléatoire entraînée.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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 f1_score
# Print the F1 score
print(____)