1. Learn
    2. /
  2. Cursuri
    3. /
  3. Marketing Analytics: Predicția abandonului clienților în Python
Connected

exercițiu

Scorul F1

Așa cum ai descoperit, există un compromis între precizie și recall. Ambele sunt valori importante și, în funcție de modul în care afacerea dorește să modeleze churn-ul, s-ar putea să vrei să te concentrezi pe optimizarea uneia în detrimentul celeilalte. De multe ori, stakeholderii sunt interesați de o singură metrică care să cuantifice performanța modelului. AUC este o astfel de metrică, iar o alta este scorul F1, calculat după formula de mai jos:

2 * (precision * recall) / (precision + recall)

Avantajul scorului F1 este că înglobează atât precizia, cât și recall-ul într-o singură metrică. Un scor F1 ridicat indică un model performant, inclusiv în situații cu clase dezechilibrate. În scikit-learn, poți calcula scorul F1 folosind funcția f1_score.

Instrucțiuni

100 XP
  • Importă f1_score din sklearn.metrics.
  • Afișează scorul F1 al pădurii aleatoare antrenate.