НачатьНачать бесплатно

Оценка качества логистической модели

Как вы уже знаете, для оценки качества логистической регрессии существует несколько метрик. В этом последнем упражнении вы вручную вычислите точность, чувствительность и специфичность. Напомним определения:

Точность (accuracy) — доля правильно классифицированных наблюдений. $$ \text{accuracy} = \frac{TN + TP}{TN + FN + FP + TP} $$

Чувствительность (sensitivity) — доля истинно положительных наблюдений, которые модель правильно предсказала как положительные. $$ \text{sensitivity} = \frac{TP}{TP + FN} $$

Специфичность (specificity) — доля истинно отрицательных наблюдений, которые модель правильно предсказала как отрицательные. $$ \text{specificity} = \frac{TN}{TN + FP} $$

Доступны переменные churn, mdl_churn_vs_relationship и conf_matrix.

Это упражнение является частью курса

Введение в регрессию с statsmodels на Python

Посмотреть курс

Инструкции к упражнению

  • Извлеките из conf_matrix количество истинно положительных (TP), истинно отрицательных (TN), ложноположительных (FP) и ложноотрицательных (FN) результатов.
  • Вычислите accuracy (точность) модели.
  • Вычислите sensitivity (чувствительность) модели.
  • Вычислите specificity (специфичность) модели.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Extract TN, TP, FN and FP from conf_matrix
TN = ____
TP = ____
FN = ____
FP = ____

# Calculate and print the accuracy
accuracy = ____
print("accuracy: ", accuracy)

# Calculate and print the sensitivity
sensitivity = ____
print("sensitivity: ", sensitivity)

# Calculate and print the specificity
specificity = ____
print("specificity: ", specificity)
Редактировать и запускать код