De confusion matrix berekenen

Een confusion matrix (ook wel confusion table genoemd) vormt de basis voor alle prestatiemetrieken van modellen met een categorische respons (zoals een logistische regressie). De matrix bevat de aantallen van elke combinatie van werkelijke respons en voorspelde respons. In dit geval, met twee mogelijke uitkomsten (churn of geen churn), zijn er vier uitkomsten.

True positive: De klant is vertrokken (churn) en het model voorspelde dat ook.
False positive: De klant is niet vertrokken, maar het model voorspelde van wel.
True negative: De klant is niet vertrokken en het model voorspelde ook van niet.
False negative: De klant is vertrokken, maar het model voorspelde van niet.

churn en mdl_churn_vs_relationship zijn beschikbaar.

Deze oefening maakt deel uit van de cursus

Introductie tot regressie met statsmodels in Python

Cursus bekijken

Oefeninstructies

Haal de werkelijke responsen op door de kolom has_churned van de gegevensset te selecteren. Ken toe aan actual_response.
Haal de “meest waarschijnlijke” voorspelde responsen uit het model. Ken toe aan predicted_response.
Maak een DataFrame van actual_response en predicted_response. Ken toe aan outcomes.
Print outcomes als een tabel met aantallen, die de confusion matrix weergeeft. Dit is alvast voor je gedaan.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Get the actual responses
actual_response = ____

# Get the predicted responses
predicted_response = ____

# Create outcomes as a DataFrame of both Series
outcomes = pd.DataFrame({____,
                         ____})

# Print the outcomes
print(outcomes.value_counts(sort = False))

Code bewerken en uitvoeren