Mesurer la performance du modèle logistique
Comme vous le savez désormais, plusieurs mesures existent pour évaluer la performance d'un modèle de régression logistique. Dans ce dernier exercice, vous calculerez manuellement la précision, la sensibilité et la spécificité. Rappelez-vous les définitions suivantes :
La précision est la proportion de prédictions correctes. $$ \text{précision} = \frac{TN + TP}{TN + FN + FP + TP} $$
La sensibilité est la proportion d'observations vraies qui sont correctement prédites comme vraies par le modèle. $$ \text{sensibilité} = \frac{TP}{TP + FN} $$
La spécificité est la proportion d'observations fausses qui sont correctement prédites par le modèle comme étant fausses. $$ \text{spécificité} = \frac{TN}{TN + FP} $$
churn, mdl_churn_vs_relationship et conf_matrix sont disponibles.
Cet exercice fait partie du cours
Introduction à la régression avec statsmodels en Python
Instructions
- 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 la précision du modèle.
- Calculez la sensibilité du modèle.
- Calculez la spécificité 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)