Wynik F1
Jak już wiesz, między precyzją a pełnością istnieje pewien kompromis. Obie metryki są ważne, a w zależności od tego, jak firma podchodzi do modelowania rezygnacji klientów, możesz chcieć zoptymalizować jedną z nich. Interesariusze często oczekują jednak pojedynczej metryki, która zwięźle oceni wydajność modelu. Jedną z takich metryk jest AUC, a drugą – wynik F1, obliczany według poniższego wzoru:
2 * (precision * recall) / (precision + recall)
Zaleta wyniku F1 polega na tym, że łączy precyzję i pełność w jedną miarę. Wysoki wynik F1 świadczy o dobrze działającym modelu – nawet wtedy, gdy klasy są niezrównoważone. W scikit-learn możesz obliczyć wynik F1 za pomocą funkcji f1_score.
To ćwiczenie jest częścią kursu
Marketing Analytics: Przewidywanie rezygnacji klientów w Pythonie
Instrukcje do ćwiczenia
- Zaimportuj
f1_scorezsklearn.metrics. - Wyświetl wynik F1 wytrenowanego lasu losowego.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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 f1_score
# Print the F1 score
print(____)