F1 分數
你已經發現 precision 和 recall 之間存在權衡。兩者都是重要的評估指標，而你可能會依據企業想要如何建構流失預測模型，選擇著重最佳化其中一個。利害關係人往往希望有單一指標能量化模型效能。AUC 是其中一種可用的指標，另一種則是 F1 分數，其計算方式如下：
2 * (precision * recall) / (precision + recall)
F1 分數的優點是把 precision 和 recall 合併為單一指標；即使在類別不平衡的情況下，F1 分數高通常也代表模型表現良好。在 scikit-learn 中，你可以使用 f1_score 函式計算 f-1 分數。
本練習屬於課程
行銷分析：用 Python 預測客戶流失
練習說明
- 從
sklearn.metrics匯入f1_score。 - 列印已訓練隨機森林的 F1 分數。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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(____)