Calculando precisão e recall
O submódulo sklearn.metrics tem muitas funções que permitem calcular facilmente métricas interessantes. Até agora, você calculou precisão e recall manualmente — isso é importante enquanto desenvolve sua intuição sobre essas métricas.
Na prática, depois disso, você pode usar as funções precision_score e recall_score, que calculam automaticamente a precisão e o recall, respectivamente. Ambas funcionam de forma semelhante a outras funções em sklearn.metrics: elas recebem 2 argumentos — o primeiro são os rótulos reais (y_test) e o segundo são os rótulos previstos (y_pred).
Agora, vamos tentar um tamanho de treino de 90%.
Este exercicio faz parte do curso
Análise de Marketing: Prevendo Churn de Clientes em Python
exercicio interativo prático
Tente este exercicio completando este código de exemplo.
# 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