Ocena wydajności modelu logistycznego
Jak już wiesz, do oceny wydajności modelu regresji logistycznej można używać różnych metryk. W tym ostatnim ćwiczeniu ręcznie obliczysz dokładność, czułość i swoistość. Przypomnij sobie poniższe definicje:
Dokładność to odsetek poprawnych przewidywań. $$ \text{accuracy} = \frac{TN + TP}{TN + FN + FP + TP} $$
Czułość to odsetek prawdziwych obserwacji, które model poprawnie sklasyfikował jako prawdziwe. $$ \text{sensitivity} = \frac{TP}{TP + FN} $$
Swoistość to odsetek fałszywych obserwacji, które model poprawnie sklasyfikował jako fałszywe. $$ \text{specificity} = \frac{TN}{TN + FP} $$
Dostępne są: churn, mdl_churn_vs_relationship oraz conf_matrix.
To ćwiczenie jest częścią kursu
Wprowadzenie do regresji z użyciem statsmodels w Pythonie
Instrukcje do ćwiczenia
- Wyodrębnij z
conf_matrixliczby prawdziwie pozytywnych (TP), prawdziwie negatywnych (TN), fałszywie pozytywnych (FP) i fałszywie negatywnych (FN). - Oblicz
accuracy(dokładność) modelu. - Oblicz
sensitivity(czułość) modelu. - Oblicz
specificity(swoistość) modelu.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Extract TN, TP, FN and FP from conf_matrix
TN = ____
TP = ____
FN = ____
FP = ____
# Calculate and print the accuracy
accuracy = ____
print("accuracy: ", accuracy)
# Calculate and print the sensitivity
sensitivity = ____
print("sensitivity: ", sensitivity)
# Calculate and print the specificity
specificity = ____
print("specificity: ", specificity)