Matriz de confusão
Quando a variável resposta tem apenas dois resultados, como no caso de churn, as medidas de sucesso do modelo são: "em quantos casos em que o cliente deu churn o modelo previu corretamente?" e "em quantos casos em que o cliente não deu churn o modelo previu corretamente?". Você pode obter essas respostas gerando uma matriz de confusão e calculando métricas de resumo a partir dela.
Lembre as seguintes definições:
Acurácia é a proporção de previsões corretas. $$ \text{accuracy} = \frac{TN + TP}{TN + FN + FP + TP} $$
Sensibilidade é a proporção de observações verdadeiras que o modelo prevê corretamente como verdadeiras. $$ \text{sensitivity} = \frac{TP}{TP + FN} $$
Especificidade é a proporção de observações falsas que o modelo prevê corretamente como falsas. $$ \text{specificity} = \frac{TN}{TN + FP} $$
churn e mdl_churn_vs_both_inter estão disponíveis.
Este exercicio faz parte do curso
Regressão Intermediária com statsmodels em Python
exercicio interativo prático
Tente este exercicio completando este código de exemplo.
# Create conf_matrix
conf_matrix = ____
# Print it
print(conf_matrix)