Andere modelmetrics

Marketinganalyse: klantverloop voorspellen in Python

Mark Peterson

Director of Data Science, Infoblox

Kansdrempels

Elke voorspelling van je classifier heeft een bijbehorende kans
Standaard drempel in scikit-learn: 50%

Wat als we deze drempel variëren?

ROC-curve deel 1

ROC-curve deel 2

ROC-curve deel 3

ROC-curve deel 4

ROC-curve deel 5

ROC-curve deel 6

ROC-curve deel 7

ROC-curve deel 8

Kansen genereren in sklearn

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-curve 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()

Oppervlakte onder de curve

from sklearn.metrics import roc_auc_score

auc = roc_auc_score(y_test, y_pred)

Laten we oefenen!

Marketinganalyse: klantverloop voorspellen in Python