Obliczanie precyzji i czułości
Podmoduł sklearn.metrics oferuje wiele funkcji, które pozwalają łatwo obliczać różne metryki. Do tej pory liczyłeś precyzję i czułość ręcznie – to ważny krok, dzięki któremu budujesz intuicję dotyczącą obu tych miar.
W praktyce możesz skorzystać z funkcji precision_score i recall_score, które automatycznie obliczają odpowiednio precyzję i czułość. Obie działają podobnie do innych funkcji w sklearn.metrics – przyjmują 2 argumenty: pierwszy to rzeczywiste etykiety (y_test), a drugi to etykiety przewidziane przez model (y_pred).
Spróbujmy teraz z rozmiarem zbioru treningowego wynoszącym 90%.
To ćwiczenie jest częścią kursu
Marketing Analytics: Przewidywanie rezygnacji klientów w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import train_test_split
from sklearn.model_selection import train_test_split
# Create feature variable
X = telco.drop('Churn', axis=1)
# Create target variable
y = telco['Churn']
# Create training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.1)
# Import RandomForestClassifier
from sklearn.ensemble import RandomForestClassifier
# Instantiate the classifier
clf = RandomForestClassifier()
# Fit to the training data
clf.fit(X_train, y_train)
# Predict the labels of the test set
y_pred = clf.predict(X_test)
# Import precision_score