Rysowanie krzywej precyzji i czułości

Możesz również narysować krzywą precyzji i czułości (Precision-Recall), aby zbadać kompromis między tymi dwiema miarami w swoim modelu. Na tej krzywej precyzja i czułość są odwrotnie proporcjonalne – gdy precyzja rośnie, czułość spada i odwrotnie. Twój model powinien znajdować odpowiednią równowagę między nimi. W przeciwnym razie możesz skończyć z dużą liczbą fałszywych alarmów albo przegapić zbyt wiele rzeczywistych przypadków oszustwa. Krzywe precyzji i czułości są bardzo przydatne do porównywania wyników modeli.

Twój klasyfikator Random Forest jest dostępny jako model, a predykcje – jako predicted. Wynik średniej precyzji oraz krzywą PR możesz łatwo uzyskać z pakietu sklearn. Funkcja plot_pr_curve() wyświetli wyniki za ciebie. Wypróbuj to.