Inne metryki modelu

Marketing Analytics: Przewidywanie rezygnacji klientów w Pythonie

Mark Peterson

Director of Data Science, Infoblox

Progi prawdopodobieństwa

Każda predykcja klasyfikatora ma przypisane prawdopodobieństwo
Domyślny próg prawdopodobieństwa w scikit-learn: 50%

Co się stanie, gdy zmienimy ten próg?

Krzywa ROC część 1

Krzywa ROC część 2

Krzywa ROC część 3

Krzywa ROC część 4

Krzywa ROC część 5

Krzywa ROC część 6

Krzywa ROC część 7

Krzywa ROC część 8

Generowanie prawdopodobieństw w 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]

Krzywa ROC w 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()

Pole pod krzywą

from sklearn.metrics import roc_auc_score

auc = roc_auc_score(y_test, y_pred)

Czas na ćwiczenia!

Marketing Analytics: Przewidywanie rezygnacji klientów w Pythonie