Obliczanie metryk dokładności: precyzja
Precyzja (ang. precision) to ważna metryka służąca do oceny dokładności algorytmu klasyfikacji. Oblicza się ją jako stosunek liczby Prawdziwych Pozytywów do sumy Prawdziwych Pozytywów i Fałszywych Pozytywów, czyli $$\frac{\text{# Prawdziwych Pozytywów}}{\text{# Prawdziwych Pozytywów} + \text{# Fałszywych Pozytywów}}.$$
- Prawdziwe Pozytywy to pracownicy, którzy faktycznie odeszli i zostali poprawnie sklasyfikowani jako odchodzący
- Fałszywe Pozytywy to pracownicy, którzy faktycznie zostali w firmie, ale zostali błędnie sklasyfikowani jako odchodzący
Jeśli nie ma Fałszywych Pozytywów, precyzja wynosi 1. Jeśli nie ma Prawdziwych Pozytywów, precyzja wynosi 0.
W tym ćwiczeniu obliczysz precyzję (za pomocą funkcji precision_score z biblioteki sklearn) dla początkowego modelu klasyfikacji.
Zmienne features_test i target_test są dostępne w twoim środowisku pracy.
To ćwiczenie jest częścią kursu
HR Analytics: Przewidywanie rotacji pracowników w Pythonie
Instrukcje do ćwiczenia
- Zaimportuj funkcję
precision_scorez modułusklearn.metrics. - Użyj początkowego modelu, aby przewidzieć rotację pracowników (na podstawie cech ze zbioru testowego).
- Oblicz precyzję, porównując
target_testz predykcjami dla zbioru testowego.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import the function to calculate precision score
from sklearn.____ import ____
# Predict whether employees will churn using the test set
prediction = model.____(features_test)
# Calculate precision score by comparing target_test with the prediction
____(target_test, ____)