Mesures du modèle

Marketing Analytics : prédire l’attrition client en Python

Mark Peterson

Director of Data Science, Infoblox

Classes déséquilibrées

telco['Churn'].value_counts()

no     2850
yes     483
Name: Churn, dtype: int64

• La précision est peu utile ici

Précision

Metric	Formula
Precision	True Positives / (True Positives + False Positives)

 

• Un modèle avec une forte précision signifie :
  • Peu de faux positifs (« fausses alertes »)
  • Peu de non-churners classés comme churners

Rappel

Metric	Formula
Recall/Sensitivity	True Positives / (True Positives + False Negatives)

 

• Un modèle avec un rappel élevé classe correctement la plupart des churners

Précision vs rappel

Matrice de confusion avec scikit-learn

from sklearn.metrics import confusion_matrix

cm = confusion_matrix(y_test, y_pred)

Passons à la pratique !

Marketing Analytics : prédire l’attrition client en Python