Další metriky modelu

Marketing Analytics: Predicting Customer Churn in Python

Mark Peterson

Director of Data Science, Infoblox

Prahy pravděpodobnosti

Každá predikce klasifikátoru má přiřazenou pravděpodobnost
Výchozí práh pravděpodobnosti v scikit-learn: 50 %

Co když tento práh změníme?

Křivka ROC část 1

Křivka ROC část 2

Křivka ROC část 3

Křivka ROC část 4

Křivka ROC část 5

Křivka ROC část 6

Křivka ROC část 7

Křivka ROC část 8

Generování pravděpodobností v 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]

Křivka ROC v 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()

Plocha pod křivkou

from sklearn.metrics import roc_auc_score

auc = roc_auc_score(y_test, y_pred)

Pojďme si procvičit!

Marketing Analytics: Predicting Customer Churn in Python