शुरू करेंमुफ़्त में शुरू करें

प्रिसीजन और रिकॉल की गणना

sklearn.metrics सबमॉड्यूल में कई फंक्शन हैं जिनसे आप दिलचस्प मेट्रिक्स आसानी से निकाल सकते हैं। अभी तक, आपने प्रिसीजन और रिकॉल हाथ से निकाले हैं — यह इसलिए ज़रूरी है ताकि इन दोनों मेट्रिक्स के लिए आपकी सहज समझ विकसित हो।

व्यवहार में, एक बार जब ऐसा हो जाए, तो आप precision_score और recall_score फंक्शन का उपयोग कर सकते हैं जो क्रमशः प्रिसीजन और रिकॉल अपने आप निकाल देते हैं। दोनों का उपयोग sklearn.metrics के अन्य फंक्शन्स जैसा ही है — ये 2 आर्ग्युमेंट लेते हैं: पहला वास्तविक लेबल (y_test), और दूसरा भविष्यवाणी किए गए लेबल (y_pred)।

अब 90% ट्रेनिंग साइज के साथ कोशिश कीजिए।

यह अभ्यास पाठ्यक्रम का हिस्सा है

Marketing Analytics: Python में Customer Churn की भविष्यवाणी

पाठ्यक्रम देखें

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Import train_test_split
from sklearn.model_selection import train_test_split

# Create feature variable
X = telco.drop('Churn', axis=1)

# Create target variable
y = telco['Churn']

# Create training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.1)

# Import RandomForestClassifier
from sklearn.ensemble import RandomForestClassifier

# 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 precision_score
कोड संपादित करें और चलाएँ