F1 स्कोर
जैसा कि आपने देखा, precision और recall के बीच एक trade-off होता है। दोनों महत्वपूर्ण मेट्रिक्स हैं, और बिज़नेस churn को कैसे मॉडल करना चाहता है, उसके आधार पर आप कभी-कभी एक को दूसरे से अधिक optimize करना चाहेंगे। अक्सर, stakeholders एक ऐसे single metric में रुचि रखते हैं जो मॉडल के प्रदर्शन को quantify कर सके। AUC एक ऐसा metric है, और दूसरा है F1 स्कोर, जिसकी गणना इस प्रकार होती है:
2 * (precision * recall) / (precision + recall)
F1 स्कोर का फ़ायदा यह है कि यह precision और recall दोनों को एक ही metric में समाहित करता है, और उच्च F1 स्कोर असंतुलित क्लासेस होने पर भी एक अच्छा-प्रदर्शन करने वाले मॉडल का संकेत देता है। scikit-learn में, आप f1_score फंक्शन का उपयोग करके F1 स्कोर compute कर सकते हैं.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Marketing Analytics: Python में Customer Churn की भविष्यवाणी
अभ्यास निर्देश
sklearn.metricsसेf1_scoreइम्पोर्ट करें.- trained random forest का F1 स्कोर प्रिंट करें.
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# 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 f1_score
# Print the F1 score
print(____)