Weitere Modellmetriken

Marketing Analytics: Kundenabwanderung in Python vorhersagen

Mark Peterson

Director of Data Science, Infoblox

Wahrscheinlichkeitsschwellen

Jede Vorhersage deines Klassifikators hat eine zugehörige Wahrscheinlichkeit
Standard-Schwellenwert in scikit-learn: 50 %

Was passiert, wenn wir diese Schwelle variieren?

ROC-Kurve Teil 1

ROC-Kurve Teil 2

ROC-Kurve Teil 3

ROC-Kurve Teil 4

ROC-Kurve Teil 5

ROC-Kurve Teil 6

ROC-Kurve Teil 7

ROC-Kurve Teil 8

Wahrscheinlichkeiten in sklearn erzeugen

logreg.predict_proba(X_test)[:,1]

array([[0.80188981, 0.19811019],
       [0.96484075, 0.03515925],
       [0.9182671 , 0.0817329 ],
       ...,

y_pred_prob = logreg.predict_proba(X_test)[:,1]

ROC-Kurve in sklearn

from sklearn.metrics import roc_curve

fpr, tpr, thresholds = roc_curve(y_test, y_pred_prob)

import matplotlib.pyplot as plt

plt.plot(fpr, tpr)

plt.xlabel("False Positive Rate")

plt.ylabel("True Positive Rate")

plt.plot([0, 1], [0, 1], "k--")

plt.show()

Fläche unter der Kurve

from sklearn.metrics import roc_auc_score

auc = roc_auc_score(y_test, y_pred)

Lass uns üben!

Marketing Analytics: Kundenabwanderung in Python vorhersagen