Konfusionsmatris
När responsvariabeln har bara två utfall, som vid churn, handlar framgångsmåtten för modellen om: "Hur många fall där kunden churnade förutsåg modellen korrekt?" och "Hur många fall där kunden inte churnade förutsåg modellen korrekt?". Det kan du ta reda på genom att generera en konfusionsmatris och beräkna sammanfattande mätvärden från den.
Kom ihåg följande definitioner:
Noggrannhet är andelen förutsägelser som är korrekta. $$ \text{accuracy} = \frac{TN + TP}{TN + FN + FP + TP} $$
Känslighet är andelen sanna observationer som modellen korrekt förutsäger som sanna. $$ \text{sensitivity} = \frac{TP}{TP + FN} $$
Specificitet är andelen falska observationer som modellen korrekt förutsäger som falska. $$ \text{specificity} = \frac{TN}{TN + FP} $$
churn och mdl_churn_vs_both_inter finns tillgängliga.
Den här övningen är en del av kursen
Intermediär regression med statsmodels i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Create conf_matrix
conf_matrix = ____
# Print it
print(conf_matrix)