เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

การคำนวณ Confusion Matrix

Confusion matrix (หรือบางครั้งเรียกว่า confusion table) คือพื้นฐานของ metrics ทุกตัวที่ใช้วัดประสิทธิภาพของโมเดลที่มีตัวแปรตอบสนองเป็นหมวดหมู่ เช่น logistic regression โดย confusion matrix จะบันทึกจำนวนของคู่ค่าตอบสนองจริงและค่าที่พยากรณ์ได้ทุกรูปแบบ ในกรณีนี้ที่มีผลลัพธ์ที่เป็นไปได้ 2 แบบ (churn หรือ ไม่ churn) จะมีผลลัพธ์รวม 4 ประเภท ได้แก่

  1. True positive: ลูกค้า churn จริง และโมเดลพยากรณ์ว่าจะ churn
  2. False positive: ลูกค้าไม่ได้ churn แต่โมเดลพยากรณ์ว่าจะ churn
  3. True negative: ลูกค้าไม่ได้ churn และโมเดลพยากรณ์ว่าจะไม่ churn
  4. False negative: ลูกค้า churn จริง แต่โมเดลพยากรณ์ว่าจะไม่ churn

churn และ mdl_churn_vs_relationship พร้อมใช้งานแล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การถดถอยเบื้องต้นด้วย statsmodels ใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • ดึงค่าตอบสนองจริงโดย subset คอลัมน์ has_churned จากชุดข้อมูล แล้วกำหนดให้กับ actual_response
  • ดึงค่าตอบสนองที่พยากรณ์แบบ "มีความน่าจะเป็นสูงสุด" จากโมเดล แล้วกำหนดให้กับ predicted_response
  • สร้าง DataFrame จาก actual_response และ predicted_response แล้วกำหนดให้กับ outcomes
  • แสดงผล outcomes เป็นตารางนับจำนวน ซึ่งแทน confusion matrix ขั้นตอนนี้ทำให้แล้ว

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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))
แก้ไขและรันโค้ด