Kom igångKom igång gratis

Mäta den logistiska modellens prestanda

Som du vet finns det flera mått för att utvärdera prestandan hos en logistisk regressionsmodell. I den här sista övningen beräknar du accuracy, sensitivitet och specificitet manuellt. Kom ihåg följande definitioner:

Accuracy är andelen förutsägelser som är korrekta. $$ \text{accuracy} = \frac{TN + TP}{TN + FN + FP + TP} $$

Sensitivitet 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, mdl_churn_vs_relationship och conf_matrix finns tillgängliga.

Den här övningen är en del av kursen

Introduktion till regression med statsmodels i Python

Visa kurs

Övningsinstruktioner

  • Extrahera antalet sanna positiva (TP), sanna negativa (TN), falska positiva (FP) och falska negativa (FN) från conf_matrix.
  • Beräkna modellens accuracy.
  • Beräkna modellens sensitivity.
  • Beräkna modellens specificity.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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)
Redigera och kör kod