Calculer des métriques de précision : precision
Le score de Precision est une métrique importante pour mesurer la justesse d’un algorithme de classification. Il se calcule comme la fraction des Vrais Positifs sur la somme des Vrais Positifs et des Faux Positifs, soit $$\frac{\text{# de Vrais Positifs}}{\text{# de Vrais Positifs} + \text{# de Faux Positifs}}.$$
- nous définissons les Vrais Positifs comme le nombre d’employés qui ont effectivement quitté l’entreprise 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 à tort classés comme quittant
S’il n’y a aucun Faux Positif, le score de precision est égal à 1. S’il n’y a aucun Vrai Positif, le score de precision est égal à 0.
Dans cet exercice, vous allez calculer le score de precision (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 environnement de travail.
Cet exercice fait partie du cours
Analytique RH : prédire l’attrition des employés en Python
Instructions
- Importez la fonction
precision_scoredepuis le modulesklearn.metrics. - Utilisez le modèle initial pour prédire le churn (à partir des variables explicatives de l’ensemble de test).
- Calculez le score de precision en comparant
target_testaux prédictions sur l’ensemble de test.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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, ____)