Beräkna precision och recall
Undermodulen sklearn.metrics innehåller många funktioner som gör det enkelt att beräkna användbara mätvärden. Hittills har du beräknat precision och recall för hand – det är viktigt när du bygger upp din förståelse för dessa mätvärden.
I praktiken kan du, när du väl har den förståelsen, använda funktionerna precision_score och recall_score som beräknar precision respektive recall automatiskt. Båda fungerar på samma sätt som andra funktioner i sklearn.metrics – de tar två argument: det första är de faktiska etiketterna (y_test) och det andra är de förutsagda etiketterna (y_pred).
Nu ska vi prova en träningsstorlek på 90 %.
Den här övningen är en del av kursen
Marknadsföringsanalys: Prediktera kundbortfall i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Import train_test_split
from sklearn.model_selection import train_test_split
# Create feature variable
X = telco.drop('Churn', axis=1)
# Create target variable
y = telco['Churn']
# Create training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.1)
# Import RandomForestClassifier
from sklearn.ensemble import RandomForestClassifier
# 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 precision_score