F1 分数
正如您已经发现的，精确率与召回率之间存在权衡。两者都很重要，且根据业务建模流失（churn）的方式，您可能需要优先优化其中一个。很多情况下，相关方希望有一个能够量化模型表现的单一指标。AUC 是一种可用的指标，另一种是 F1 分数，其计算方式如下：
2 * (precision * recall) / (precision + recall)
F1 分数的优势在于它把精确率与召回率融合为单一指标。在类别不平衡的情况下，只要 F1 分数高，也说明模型表现良好。在 scikit-learn 中，您可以使用 f1_score 函数来计算 F1 分数。
本练习是课程的一部分
营销分析：用 Python 预测客户流失
练习说明
- 从
sklearn.metrics导入f1_score。 - 输出已训练随机森林的 F1 分数。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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(____)