F1-мера
Как вы уже убедились, между точностью и полнотой существует компромисс. Оба показателя важны, и в зависимости от того, как бизнес подходит к моделированию оттока, может потребоваться сосредоточиться на оптимизации одного из них. Нередко заинтересованные стороны предпочитают иметь единую метрику, которая отражает качество модели. AUC — одна из таких метрик, другая — F1-мера, которая вычисляется по следующей формуле:
2 * (precision * recall) / (precision + recall)
Преимущество F1-меры в том, что она объединяет точность и полноту в одном показателе. Высокое значение F1-меры свидетельствует о хорошем качестве модели — в том числе в ситуациях с несбалансированными классами. В scikit-learn для вычисления F1-меры используется функция f1_score.
Это упражнение является частью курса
Маркетинговая аналитика: прогнозирование оттока клиентов на Python
Инструкции к упражнению
- Импортируйте
f1_scoreизsklearn.metrics. - Выведите значение F1-меры для обученного случайного леса.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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(____)