Вычисление метрик качества: точность
Точность (Precision) — важная метрика для оценки качества алгоритма классификации. Она вычисляется как отношение истинно положительных результатов к сумме истинно положительных и ложно положительных, то есть $$\frac{\text{# истинно положительных}}{\text{# истинно положительных} + \text{# ложно положительных}}.$$
- Истинно положительные — это сотрудники, которые действительно уволились и были правильно классифицированы как уволившиеся.
- Ложно положительные — это сотрудники, которые на самом деле остались, но были ошибочно классифицированы как уволившиеся.
Если ложно положительных результатов нет, значение точности равно 1. Если истинно положительных результатов нет, значение точности равно 0.
В этом упражнении вы вычислите значение точности (с помощью функции precision_score из библиотеки sklearn) для исходной модели классификации.
Переменные features_test и target_test уже доступны в вашем рабочем пространстве.
Это упражнение является частью курса
HR-аналитика: прогнозирование текучести кадров на Python
Инструкции к упражнению
- Импортируйте функцию
precision_scoreиз модуляsklearn.metrics. - Используйте исходную модель, чтобы предсказать увольнение сотрудников (на основе признаков тестовой выборки).
- Вычислите значение точности, сравнив
target_testс предсказаниями на тестовой выборке.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Import the function to calculate precision score
from sklearn.____ import ____
# Predict whether employees will churn using the test set
prediction = model.____(features_test)
# Calculate precision score by comparing target_test with the prediction
____(target_test, ____)