Beräkna förväxlingsmatrisen
En förväxlingsmatris (ibland kallad förväxlingstabell) är grunden för alla prestandamått för modeller med ett kategoriskt utfall (som logistisk regression). Den innehåller antalet förekomster av varje kombination av faktiskt utfall och predikterat utfall. I det här fallet, där det finns två möjliga utfall (churn eller inte churn), finns det fyra möjliga kombinationer.
- Sant positivt: Kunden churnade och modellen förutsåg det.
- Falskt positivt: Kunden churnade inte, men modellen förutsåg att den skulle göra det.
- Sant negativt: Kunden churnade inte och modellen förutsåg att den inte skulle göra det.
- Falskt negativt: Kunden churnade, men modellen förutsåg att den inte skulle göra det.
churn och mdl_churn_vs_relationship finns tillgängliga.
Den här övningen är en del av kursen
Introduktion till regression med statsmodels i Python
Övningsinstruktioner
- Hämta de faktiska utfallen genom att filtrera kolumnen
has_churnedi datamängden. Tilldela resultatet tillactual_response. - Hämta de "mest sannolika" predikterade utfallen från modellen. Tilldela till
predicted_response. - Skapa en DataFrame från
actual_responseochpredicted_response. Tilldela tilloutcomes. - Skriv ut
outcomessom en frekvenstabell som representerar förväxlingsmatrisen. Detta har redan gjorts åt dig.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Get the actual responses
actual_response = ____
# Get the predicted responses
predicted_response = ____
# Create outcomes as a DataFrame of both Series
outcomes = pd.DataFrame({____,
____})
# Print the outcomes
print(outcomes.value_counts(sort = False))