ПочатиПочніть безкоштовно

Оцінювання продуктивності логістичної моделі

Як ви вже знаєте, існує кілька метрик для оцінювання продуктивності моделі логістичної регресії. У цій завершальній вправі ви вручну обчислите accuracy, sensitivity та specificity. Згадайте такі визначення:

Accuracy — це частка правильних прогнозів. $$ \text{accuracy} = \frac{TN + TP}{TN + FN + FP + TP} $$

Sensitivity — це частка істинних спостережень, які модель правильно класифікує як істинні. $$ \text{sensitivity} = \frac{TP}{TP + FN} $$

Specificity — це частка хибних спостережень, які модель правильно класифікує як хибні. $$ \text{specificity} = \frac{TN}{TN + FP} $$

churn, mdl_churn_vs_relationship і conf_matrix доступні.

Ця вправа є частиною курсу

Вступ до Regression зі statsmodels у Python

Переглянути курс

Інструкції до вправи

  • Витягніть кількість істинних додатних (TP), істинних від'ємних (TN), хибних додатних (FP) і хибних від'ємних (FN) із conf_matrix.
  • Обчисліть accuracy моделі.
  • Обчисліть sensitivity моделі.
  • Обчисліть specificity моделі.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Extract TN, TP, FN and FP from conf_matrix
TN = ____
TP = ____
FN = ____
FP = ____

# Calculate and print the accuracy
accuracy = ____
print("accuracy: ", accuracy)

# Calculate and print the sensitivity
sensitivity = ____
print("sensitivity: ", sensitivity)

# Calculate and print the specificity
specificity = ____
print("specificity: ", specificity)
Редагувати та запускати код