衡量逻辑回归模型的性能
正如您现在所知，用于评估逻辑回归模型性能的指标有多种。在本最后一个练习中，您将手动计算 accuracy（准确率）、sensitivity（灵敏度）和 specificity（特异度）。请回忆以下定义：
Accuracy 是预测正确的比例。 $$ \text{accuracy} = \frac{TN + TP}{TN + FN + FP + TP} $$
Sensitivity 是将真实为"真"的观测被模型正确预测为"真"的比例。 $$ \text{sensitivity} = \frac{TP}{TP + FN} $$
Specificity 是将真实为"假"的观测被模型正确预测为"假"的比例。 $$ \text{specificity} = \frac{TN}{TN + FP} $$
churn、mdl_churn_vs_relationship 和 conf_matrix 已可用。
本练习是课程的一部分
使用 Python 中的 statsmodels 进行回归入门
练习说明
- 从
conf_matrix中提取真正例（TP）、真反例（TN）、假正例（FP）和假反例（FN）的数量。 - 计算模型的
accuracy。 - 计算模型的
sensitivity。 - 计算模型的
specificity。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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)