Karmaşıklık (confusion) matrisi
Tepki değişkeninin yalnızca iki sonucu olduğunda, örneğin churn durumunda, modelin başarı ölçütleri şunlardır: "Müşterinin ayrıldığı (churn) vakalarda model kaçını doğru tahmin etti?" ve "Müşterinin ayrılmadığı vakalarda model kaçını doğru tahmin etti?". Bunlar, bir confusion matrisi oluşturup bunun üzerinden özet metrikleri hesaplayarak bulunabilir.
Aşağıdaki tanımları hatırla:
Doğruluk (Accuracy), doğru olan tahminlerin oranıdır. $$ \text{accuracy} = \frac{TN + TP}{TN + FN + FP + TP} $$
Duyarlılık (Sensitivity), doğru gözlemlerden modelin doğru olarak tahmin ettiklerinin oranıdır. $$ \text{sensitivity} = \frac{TP}{TP + FN} $$
Seçicilik (Specificity), yanlış gözlemlerden modelin yanlış olarak tahmin ettiklerinin oranıdır. $$ \text{specificity} = \frac{TN}{TN + FP} $$
churn ve mdl_churn_vs_both_inter hazır.
Bu egzersiz, kursun bir parçasıdır
Python ile statsmodels'da Orta Düzey Regresyon
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Create conf_matrix
conf_matrix = ____
# Print it
print(conf_matrix)