F1-poäng

Som du har sett finns det en avvägning mellan precision och känslighet. Båda är viktiga mätvärden, och beroende på hur verksamheten vill modellera churn kan du vilja fokusera på att optimera det ena framför det andra. Ofta vill intressenter ha ett enda mätvärde som sammanfattar modellens prestanda. AUC är ett sådant mätvärde, och ett annat är F1-poäng, som beräknas enligt följande:

2 * (precision * recall) / (precision + recall)

Fördelen med F1-poäng är att den kombinerar både precision och känslighet i ett enda mätvärde. Ett högt F1-värde är ett tecken på en väl presterande modell, även när klasserna är ojämnt fördelade. I scikit-learn kan du beräkna F1-poängen med funktionen f1_score.

Den här övningen är en del av kursen

Marknadsföringsanalys: Prediktera kundbortfall i Python

Visa kurs

Övningsinstruktioner

Importera f1_score från sklearn.metrics.
Skriv ut F1-poängen för den tränade slumpmässiga skogen.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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 f1_score


# Print the F1 score
print(____)

Redigera och kör kod