Kesinlik (precision) ve duyarlılık (recall) hesaplama
sklearn.metrics alt modülünde ilginç metrikleri kolayca hesaplamanı sağlayan birçok fonksiyon var. Şimdiye kadar kesinlik ve duyarlılığı elle hesapladın — bu, her iki metrik için de sezgini geliştirirken önemli.
Pratikte, bu sezgiyi kazandıktan sonra, kesinlik ve duyarlılığı otomatik olarak hesaplayan precision_score ve recall_score fonksiyonlarından yararlanabilirsin. Her ikisi de sklearn.metrics içindeki diğer fonksiyonlara benzer şekilde çalışır — 2 argüman alırlar: ilki gerçek etiketler (y_test), ikincisi ise tahmin edilen etiketlerdir (y_pred).
Şimdi eğitim veri oranını %90 olarak deneyelim.
Bu egzersiz
Pazarlama Analitiği: Python ile Müşteri Terkini Tahmin Etme
kursunun bir parçasıdırUygulamalı interaktif egzersiz
Bu örnek kodu tamamlayarak bu egzersizi bitirin.
# 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