F1-міра
Як ви вже з'ясували, між точністю (precision) і повнотою (recall) існує компроміс. Обидві метрики важливі, і залежно від того, як бізнес підходить до моделювання відтоку, ви можете зосередитися на оптимізації однієї з них. Часто стейкголдерам потрібна одна метрика, що кількісно оцінює якість моделі. У таких випадках можна використовувати AUC, а також F1-міру, яку обчислюють так:
2 * (precision * recall) / (precision + recall)
Перевага F1-міри в тому, що вона поєднує і точність, і повноту в одній метриці; високе значення F1 свідчить про добру роботу моделі, навіть за незбалансованих класів. У scikit-learn ви можете обчислити F1-міру за допомогою функції f1_score.
Ця вправа є частиною курсу
Маркетингова аналітика: прогнозування відтоку клієнтів у Python
Інструкції до вправи
- Імпортуйте
f1_scoreзsklearn.metrics. - Виведіть значення F1-міри для навченої моделі випадкового лісу.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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(____)