Pontuação F1
Como você viu, existe um equilíbrio entre precisão e revocação. As duas são métricas importantes e, dependendo de como o negócio está modelando churn, talvez você queira otimizar uma em detrimento da outra. Muitas vezes, as partes interessadas preferem uma métrica única que quantifique o desempenho do modelo. A AUC é uma opção para esses casos, e outra é a pontuação F1, calculada assim:
2 * (precision * recall) / (precision + recall)
A vantagem da pontuação F1 é incorporar precisão e revocação em uma única métrica, e um valor alto de F1 indica um modelo com bom desempenho, mesmo em situações com classes desbalanceadas. No scikit-learn, você pode calcular a F1 usando a função f1_score.
Este exercicio faz parte do curso
Análise de Marketing: Prevendo Churn de Clientes em Python
Instruções do exercicio
- Importe
f1_scoredesklearn.metrics. - Imprima a pontuação F1 da random forest treinada.
exercicio interativo prático
Tente este exercicio completando este código de exemplo.
# 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(____)