Обчислення precision і recall
Підмодуль sklearn.metrics має багато функцій, які дозволяють легко обчислювати корисні метрики. Досі ви обчислювали precision і recall вручну — це важливо, щоб сформувати інтуїцію щодо цих метрик.
На практиці, коли інтуїція вже є, скористайтеся функціями precision_score і recall_score, які автоматично обчислюють відповідно precision і recall. Обидві працюють подібно до інших функцій у sklearn.metrics: вони приймають 2 аргументи — перший це справжні мітки (y_test), другий — передбачені мітки (y_pred).
Тепер спробуймо тренувальну частку 90%.
Ця вправа є частиною курсу
Маркетингова аналітика: прогнозування відтоку клієнтів у Python
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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