F1 Score

อย่างที่ได้เห็นกันไปแล้ว การเลือกระหว่าง precision และ recall มักต้องมีการแลกเปลี่ยนกัน ทั้งสองค่าล้วนมีความสำคัญ และขึ้นอยู่กับเป้าหมายทางธุรกิจ อาจต้องเน้นปรับให้ค่าใดค่าหนึ่งดีที่สุด อย่างไรก็ตาม ผู้มีส่วนได้ส่วนเสียมักต้องการตัวชี้วัดเดียวที่สรุปประสิทธิภาพของโมเดลได้ AUC เป็นหนึ่งในตัวเลือก และอีกตัวเลือกคือ F1 score ซึ่งคำนวณได้จาก:

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

ข้อดีของ F1 score คือรวมทั้ง precision และ recall ไว้ในตัวเลขเดียว ค่า F1 score ที่สูงบ่งบอกถึงโมเดลที่มีประสิทธิภาพดี แม้ในกรณีที่ข้อมูลแต่ละคลาสมีจำนวนไม่สมดุลกัน ใน scikit-learn สามารถคำนวณ F1 score ได้โดยใช้ฟังก์ชัน f1_score

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Marketing Analytics: การพยากรณ์การเลิกใช้บริการของลูกค้าด้วย Python

ดูคอร์ส

คำแนะนำการฝึกหัด

Import f1_score จาก sklearn.metrics
แสดงค่า F1 score ของ random forest ที่ฝึกไว้

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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(____)

แก้ไขและรันโค้ด