Menghitung precision dan recall
Submodul sklearn.metrics memiliki banyak fungsi yang memungkinkan Anda menghitung metrik menarik dengan mudah. Sejauh ini, Anda telah menghitung precision dan recall secara manual — ini penting saat Anda membangun intuisi terhadap kedua metrik tersebut.
Dalam praktiknya, setelah Anda paham, Anda dapat memanfaatkan fungsi precision_score dan recall_score yang secara otomatis menghitung precision dan recall. Keduanya bekerja mirip dengan fungsi lain di sklearn.metrics — mereka menerima 2 argumen: yang pertama adalah label aktual (y_test), dan yang kedua adalah label prediksi (y_pred).
Sekarang mari coba ukuran pelatihan sebesar 90%.
Latihan ini merupakan bagian dari kursus
Analitik Pemasaran: Memprediksi Churn Pelanggan di Python
Latihan interaktif langsung praktik
Cobalah latihan ini dengan melengkapi kode contoh ini.
# 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