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
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