Bewertung der Modellleistung

Marketing Analytics: Kundenabwanderung in Python vorhersagen

Mark Peterson

Director of Data Science, Infoblox

Accuracy

Eine mögliche Kennzahl: Accuracy
- Anzahl korrekter Vorhersagen / Anzahl Datenpunkte gesamt
Welche Daten verwenden?
- Trainingsdaten sind nicht repräsentativ für neue Daten

Trainings- und Testsätze

Trainiere deinen Klassifikator auf dem Trainingssatz
Triff Vorhersagen mit dem Testsatz

Trainings- und Testsätze mit scikit-learn

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(telco['data'], telco['target'], 
                                   test_size=0.2, random_state = 42)

from sklearn.svm import SVC

svc = SVC()

svc.fit(X_train, y_train)

svc.predict(X_test)

Accuracy berechnen

svc.score(X_test, y_test)

0.857

85,7 % Accuracy: Ziemlich gut für den ersten Versuch!

Modell verbessern

Overfitting: Modell passt sich zu stark an die Trainingsdaten an
Underfitting: Erfasst die Muster in den Trainingsdaten nicht
Finde die richtige Balance zwischen Overfitting und Underfitting

Lass uns üben!

Marketing Analytics: Kundenabwanderung in Python vorhersagen

Preparing Video For Download...