Obliczanie macierzy pomyłek

Macierz pomyłek (ang. confusion matrix, nazywana też tablicą pomyłek) stanowi podstawę wszystkich miar wydajności modeli z kategoryczną zmienną odpowiedzi (takich jak regresja logistyczna). Zawiera liczby wystąpień każdej kombinacji rzeczywistej i przewidywanej odpowiedzi. W tym przypadku, gdy możliwe są dwie odpowiedzi (odejście klienta lub jego brak), mamy cztery możliwe wyniki.

Prawdziwie dodatni: Klient odszedł i model to przewidział.
Fałszywie dodatni: Klient nie odszedł, ale model przewidział, że odejdzie.
Prawdziwie ujemny: Klient nie odszedł i model to przewidział.
Fałszywie ujemny: Klient odszedł, ale model przewidział, że nie odejdzie.

Dostępne są: churn oraz mdl_churn_vs_relationship.

To ćwiczenie jest częścią kursu

Wprowadzenie do regresji z użyciem statsmodels w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Pobierz rzeczywiste odpowiedzi, wybierając kolumnę has_churned ze zbioru danych. Przypisz wynik do zmiennej actual_response.
Pobierz z modelu „najbardziej prawdopodobne" przewidywane odpowiedzi. Przypisz wynik do zmiennej predicted_response.
Utwórz DataFrame z actual_response i predicted_response. Przypisz wynik do zmiennej outcomes.
Wyświetl outcomes jako tabelę liczności reprezentującą macierz pomyłek. Ta część została już za ciebie napisana.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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))

Edytuj i uruchom kod