Skor F1
Seperti yang telah Anda ketahui, ada pertukaran antara precision dan recall. Keduanya merupakan metrik yang penting, dan bergantung pada bagaimana bisnis mencoba memodelkan churn, Anda mungkin ingin memfokuskan optimasi pada salah satunya. Sering kali, pemangku kepentingan menginginkan satu metrik yang dapat mengkuantifikasi kinerja model. AUC adalah salah satu metrik yang dapat digunakan dalam kasus ini, dan metrik lainnya adalah skor F1, yang dihitung sebagai berikut:
2 * (precision * recall) / (precision + recall)
Keuntungan skor F1 adalah menggabungkan precision dan recall ke dalam satu metrik, dan skor F1 yang tinggi menandakan model yang berkinerja baik, bahkan pada situasi dengan kelas yang tidak seimbang. Dalam scikit-learn, Anda dapat menghitung skor F1 menggunakan fungsi f1_score.
Latihan ini adalah bagian dari kursus
Analitik Pemasaran: Memprediksi Churn Pelanggan di Python
Petunjuk latihan
- Impor
f1_scoredarisklearn.metrics. - Cetak skor F1 dari random forest yang telah dilatih.
Latihan interaktif praktis
Cobalah latihan ini dengan menyelesaikan kode contoh berikut.
# 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(____)