Macierz pomyłek
Gdy zmienna odpowiedzi przyjmuje tylko dwie wartości – jak w przypadku odejścia klienta – miary jakości modelu odpowiadają na dwa pytania: „ile przypadków faktycznego odejścia model przewidział poprawnie?" oraz „ile przypadków pozostania klienta model przewidział poprawnie?". Odpowiedzi na te pytania uzyskasz, generując macierz pomyłek i obliczając na jej podstawie kluczowe metryki.
Przypomnij sobie poniższe definicje:
Dokładność to odsetek poprawnych przewidywań. $$ \text{accuracy} = \frac{TN + TP}{TN + FN + FP + TP} $$
Czułość to odsetek obserwacji prawdziwie pozytywnych, które model poprawnie zakwalifikował jako pozytywne. $$ \text{sensitivity} = \frac{TP}{TP + FN} $$
Swoistość to odsetek obserwacji prawdziwie negatywnych, które model poprawnie zakwalifikował jako negatywne. $$ \text{specificity} = \frac{TN}{TN + FP} $$
Dostępne są: churn oraz mdl_churn_vs_both_inter.
To ćwiczenie jest częścią kursu
Regresja średnio zaawansowana ze statsmodels w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Create conf_matrix
conf_matrix = ____
# Print it
print(conf_matrix)