CommencerCommencer gratuitement

Mesurer la performance d'un modèle logistique

Comme vous le savez maintenant, il existe plusieurs paramètres pour mesurer la performance d'un modèle de régression logistique. Dans ce dernier exercice, vous calculerez manuellement la précision, la sensibilité et la spécificité. Rappelons les définitions suivantes :

La précision est la proportion de prédictions correctes. $$ \text{accuracy} = \frac{TN + TP}{TN + FN + FP + TP} $$

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

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

churn, mdl_churn_vs_relationship et conf_matrix sont disponibles.

Cet exercice fait partie du cours

Introduction à la régression avec statsmodels en Python

Afficher le cours

Instructions

  • Extrayez le nombre de vrais positifs (TP), de vrais négatifs (TN), de faux positifs (FP) et de faux négatifs (FN) de conf_matrix.
  • Calculez le accuracy du modèle.
  • Calculez le sensitivity du modèle.
  • Calculez le specificity du modèle.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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