1. Nauka
    2. /
  2. Kursy
    3. /
  3. Marketing Analytics: Przewidywanie rezygnacji klientów w Pythonie
Connected

ćwiczenie

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.

Instrukcje

100 XP
  • Zaimportuj f1_score z sklearn.metrics.
  • Wyświetl wynik F1 wytrenowanego lasu losowego.