Calcularea preciziei și a exhaustivității
Submodulul sklearn.metrics conține multe funcții care îți permit să calculezi cu ușurință metrici relevante. Până acum, ai calculat precizia și exhaustivitatea manual – acest lucru este important pentru a-ți dezvolta intuiția asupra ambelor metrici.
În practică, odată ce ai dobândit această înțelegere, poți folosi funcțiile precision_score și recall_score, care calculează automat precizia, respectiv exhaustivitatea. Ambele funcționează similar cu celelalte funcții din sklearn.metrics – acceptă 2 argumente: primul este etichetele reale (y_test), iar al doilea este etichetele prezise (y_pred).
Acum să încercăm o dimensiune a setului de antrenament de 90%.
Acest exercițiu face parte din cursul
Marketing Analytics: Predicția abandonului clienților în Python
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# 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