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.
Acest exercițiu face parte din cursul
Marketing Analytics: Predicția abandonului clienților în Python
Instrucțiuni pentru exercițiu
- Importă
f1_scoredinsklearn.metrics. - Afișează scorul F1 al pădurii aleatoare antrenate.
Exercițiu interactiv practic
Încearcă acest exercițiu completând acest cod de exemplu.
# 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(____)