Matrice di confusione
Quando la variabile risposta ha solo due esiti, come nel caso del churn, le misure di successo del modello sono: "quanti casi in cui il cliente ha abbandonato il modello li ha previsti correttamente?" e "quanti casi in cui il cliente non ha abbandonato il modello li ha previsti correttamente?". Puoi ottenerle generando una matrice di confusione e calcolando su di essa alcune metriche riassuntive.
Ricorda le seguenti definizioni:
Accuracy è la proporzione di previsioni corrette. $$ \text{accuracy} = \frac{TN + TP}{TN + FN + FP + TP} $$
Sensitivity è la proporzione di osservazioni vere che il modello prevede correttamente come vere. $$ \text{sensitivity} = \frac{TP}{TP + FN} $$
Specificity è la proporzione di osservazioni false che il modello prevede correttamente come false. $$ \text{specificity} = \frac{TN}{TN + FP} $$
churn e mdl_churn_vs_both_inter sono disponibili.
Questo esercizio fa parte del corso
Regressione intermedia con statsmodels in Python
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# Create conf_matrix
conf_matrix = ____
# Print it
print(conf_matrix)