Nauwkeurigheidsmaten berekenen: recall
De Recall-score is een andere belangrijke maatstaf om de nauwkeurigheid van een classificatie-algoritme te meten. Deze wordt berekend als het** aandeel True Positives ten opzichte van de som van True Positives en False Negatives**, oftewel $$\frac{\text{# True Positives}}{\text{# True Positives} + \text{# False Negatives}}.$$
Als er geen False Negatives zijn, is de recall-score gelijk aan 1. Als er geen True Positives zijn, is de recall-score gelijk aan 0.
In deze oefening bereken je de recall-score (met de sklearn-functie recall_score) voor je eerste classificatiemodel.
De variabelen features_test en target_test zijn beschikbaar in je werkruimte.
Deze oefening maakt deel uit van de cursus
HR-analytics: verloop van medewerkers voorspellen in Python
Oefeninstructies
- Importeer de functie om de recall-score te berekenen.
- Gebruik het eerste model om churn te voorspellen (op basis van kenmerken van de testset).
- Bereken de recall-score door
target_testte vergelijken met de voorspellingen.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Import the function to calculate recall score
from sklearn.____ import ____
# Use the initial model to predict churn
prediction = model.____(features_test)
# Calculate recall score by comparing target_test with the prediction
____(target_test, ____)