Misurare le prestazioni di un modello logistico
Come ormai sai, esistono diverse metriche per misurare le prestazioni di un modello di regressione logistica. In questo ultimo esercizio calcolerai manualmente accuratezza, sensibilità e specificità. 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 predice correttamente come vere. $$ \text{sensitivity} = \frac{TP}{TP + FN} $$
Specificity è la proporzione di osservazioni false che il modello predice correttamente come false. $$ \text{specificity} = \frac{TN}{TN + FP} $$
churn, mdl_churn_vs_relationship e conf_matrix sono disponibili.
Questo esercizio fa parte del corso
Introduzione alla regressione con statsmodels in Python
Istruzioni dell'esercizio
- Estrai da
conf_matrixil numero di veri positivi (TP), veri negativi (TN), falsi positivi (FP) e falsi negativi (FN). - Calcola l'
accuracydel modello. - Calcola la
sensitivitydel modello. - Calcola la
specificitydel modello.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Extract TN, TP, FN and FP from conf_matrix
TN = ____
TP = ____
FN = ____
FP = ____
# Calculate and print the accuracy
accuracy = ____
print("accuracy: ", accuracy)
# Calculate and print the sensitivity
sensitivity = ____
print("sensitivity: ", sensitivity)
# Calculate and print the specificity
specificity = ____
print("specificity: ", specificity)