Beräkna noggrannhetsmått: precision

Precisionspoängen är ett viktigt mått för att utvärdera noggrannheten hos en klassificeringsalgoritm. Den beräknas som andelen sanna positiva av summan av sanna positiva och falska positiva, det vill säga $$\frac{\text{# sanna positiva}}{\text{# sanna positiva} + \text{# falska positiva}}.$$

Sanna positiva definieras som antalet anställda som faktiskt slutade och klassificerades korrekt som att de skulle sluta
Falska positiva definieras som antalet anställda som faktiskt stannade, men felaktigt klassificerades som att de skulle sluta

Om det inte finns några falska positiva är precisionspoängen lika med 1. Om det inte finns några sanna positiva är precisionspoängen lika med 0.

I den här övningen beräknar vi precisionspoängen (med hjälp av sklearn-funktionen precision_score) för vår initiala klassificeringsmodell.

Variablerna features_test och target_test finns tillgängliga i din arbetsmiljö.

Den här övningen är en del av kursen

HR-analys: Förutsäg personalomsättning i Python

Visa kurs

Övningsinstruktioner

Importera funktionen precision_score från modulen sklearn.metrics.
Använd den initiala modellen för att förutsäga personalomsättning (baserat på särdragen i testmängden).
Beräkna precisionspoängen genom att jämföra target_test med förutsägelserna på testmängden.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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, ____)

Redigera och kör kod