Calcul de la matrice de confusion

Une matrice de confusion (parfois appelée tableau de confusion) est la base de toutes les mesures de performance pour les modèles avec une réponse catégorielle (comme une régression logistique). Il contient les comptes de chaque paire réponse réelle/réponse prédite. Dans ce cas, où il y a deux réponses possibles (désabonnement ou non désabonnement), il y a quatre résultats globaux.

Vrai positif : Le client s'est désabonné et le modèle l'avait prévu.
Faux positif : Le client ne s'est pas désabonné, mais le modèle avait prédit qu'il le ferait.
Vrai négatif : Le client ne s'est pas désabonné et le modèle avait prévu qu'il ne le ferait pas.
Faux négatif : Le client s'est désabonné, alors que le modèle prévoyait qu'il ne le ferait pas.

churn et mdl_churn_vs_relationship sont disponibles.

Cet exercice fait partie du cours

Introduction à la régression avec statsmodels en Python

Afficher le cours

Instructions

Obtenez les réponses effectives en subdivisant la colonne has_churned de l'ensemble de données. Affectez à actual_response.
Obtenez les réponses prédites "les plus probables" du modèle. Affectez à predicted_response.
Créez un DataFrame à partir de actual_response et predicted_response. Affectez à outcomes.
Imprimez outcomes sous la forme d'un tableau de nombres, représentant la matrice de confusion. Cela a été fait pour vous.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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

Cet exercice fait partie du cours

Introduction à la régression avec statsmodels en Python

IntermédiaireNiveau de compétence

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 linéaires et logistiques diffèrent. Vous apprendrez ensuite à ajuster des modèles de régression linéaire simples avec des variables explicatives numériques et catégorielles, et à décrire la relation entre la réponse et les variables explicatives à l'aide des coefficients du modèle.

Exercise 1: Un conte de deux variables Exercise 2: Laquelle est la variable réponse ?Exercise 3: Visualisation de deux variables numériques Exercise 4: Ajustement d'une régression linéaire Exercise 5: Estimez l'ordonnée à l'origine Exercise 6: Estimez la pente Exercise 7: Régression linéaire avec ols()Exercise 8: Variables explicatives catégorielles Exercise 9: Visualisation des données numériques et catégorielles Exercise 10: Calcul 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 de l'immobilier à Taïwan et les clics publicitaires sur Facebook. Vous développerez également vos compétences en matière de régression en vous familiarisant avec les objets de modèle, en comprenant le concept de "régression à la moyenne" et en apprenant à transformer les variables d'un ensemble de données.

Exercise 1: Faire des prévisions Exercise 2: Prévoir les prix de l'immobilier Exercise 3: Visualisation des prévisions Exercise 4: Les limites de la prédiction Exercise 5: Travailler avec des objets de modèle Exercise 6: Extraction des éléments du modèle Exercise 7: Prévision manuelle des prix de l'immobilier Exercise 8: Régression à la moyenne Exercise 9: Coup de circuit !Exercise 10: Représentation graphique des rendements consécutifs d'un portefeuille Exercise 11: Modélisation des rendements consécutifs Exercise 12: Transformer les variables Exercise 13: Transformer la variable explicative Exercise 14: Transformer également la variable réponse Exercise 15: Transformation du dos

Dans ce chapitre, vous apprendrez à poser des questions à votre modèle pour en évaluer l'adéquation. Vous apprendrez à quantifier l'adéquation d'un modèle de régression linéaire, à diagnostiquer les problèmes de modèle à l'aide de visualisations et à comprendre l'effet de levier et l'influence de chaque observation pour créer le modèle.

Exercise 1: Quantifier l'adéquation du modèle Exercise 2: Coefficient de détermination Exercise 3: Erreur standard résiduelle Exercise 4: Visualisation de l'adéquation du modèle Exercise 5: Valeurs résiduelles par rapport aux valeurs ajustées Exercise 6: Graphique Q-Q des résidus Exercise 7: Localisation de l'échelle Exercise 8: Tracer des diagrammes de diagnostic Exercise 9: Valeurs aberrantes, effet de levier et influence Exercise 10: L'effet de levier Exercise 11: Influence Exercise 12: Tirer parti de l'effet de levier et de l'influence

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

Exercise 1: Pourquoi avez-vous besoin de la régression logistique ?Exercise 2: Exploration des variables explicatives Exercise 3: Visualisation des modèles linéaires et logistiques Exercise 4: Régression logistique avec logit()Exercise 5: Prédictions et rapports de cotes Exercise 6: Probabilités Exercise 7: Résultat le plus probable Exercise 8: Rapport de cotes Exercise 9: Log odds ratio Exercise 10: Quantifier l'ajustement de la régression logistique Exercise 11: Calcul de la matrice de confusion

Exercice en cours

Exercise 12: Dessiner une mosaïque de la matrice de confusion Exercise 13: Précision, sensibilité, spécificité Exercise 14: Mesurer la performance d'un modèle logistique Exercise 15: Félicitations