Regresja logistyczna w Pythonie - testowanie

Musimy przetestować powyższy klasyfikator, zanim wprowadzimy go do użytku produkcyjnego. Jeśli testy wykażą, że model nie spełnia wymaganej dokładności, będziemy musieli cofnąć się do powyższego procesu, wybrać inny zestaw cech (pól danych), ponownie zbudować model i przetestować go. Będzie to krok iteracyjny, dopóki klasyfikator nie spełni wymagania wymaganej dokładności. Przetestujmy więc nasz klasyfikator.

Przewidywanie danych testowych

Aby przetestować klasyfikator, używamy danych testowych wygenerowanych na wcześniejszym etapie. Nazywamypredict na utworzonym obiekcie i przekaż plik X tablica danych testowych, jak pokazano w następującym poleceniu -

In [24]: predicted_y = classifier.predict(X_test)

Generuje to jednowymiarową tablicę dla całego zestawu danych uczących, podając prognozę dla każdego wiersza w tablicy X. Możesz sprawdzić tę tablicę za pomocą następującego polecenia -

In [25]: predicted_y

Poniżej przedstawiono dane wyjściowe po wykonaniu powyższych dwóch poleceń -

Out[25]: array([0, 0, 0, ..., 0, 0, 0])

Dane wyjściowe wskazują, że pierwszy i ostatni trzej klienci nie są potencjalnymi kandydatami na Term Deposit. Możesz zbadać całą tablicę, aby uporządkować potencjalnych klientów. Aby to zrobić, użyj następującego fragmentu kodu Pythona -

In [26]: for x in range(len(predicted_y)):
   if (predicted_y[x] == 1):
      print(x, end="\t")

Wynik uruchomienia powyższego kodu pokazano poniżej -

Dane wyjściowe pokazują indeksy wszystkich wierszy, które są prawdopodobnymi kandydatami do subskrybowania TD. Możesz teraz przekazać te dane wyjściowe zespołowi marketingowemu banku, który zbierze dane kontaktowe każdego klienta z wybranego wiersza i kontynuuje pracę.

Zanim wprowadzimy ten model do produkcji, musimy zweryfikować dokładność prognoz.

Weryfikacja dokładności

Aby przetestować dokładność modelu, użyj metody punktacji na klasyfikatorze, jak pokazano poniżej -

In [27]: print('Accuracy: {:.2f}'.format(classifier.score(X_test, Y_test)))

Ekran wyjściowy uruchomienia tego polecenia pokazano poniżej -

Accuracy: 0.90

Pokazuje, że dokładność naszego modelu wynosi 90%, co w większości zastosowań jest uważane za bardzo dobre. Dlatego nie jest wymagane dalsze strojenie. Teraz nasz klient jest gotowy do uruchomienia kolejnej kampanii, uzyskania listy potencjalnych klientów i ścigania ich za otwarcie TD z prawdopodobnie wysokim wskaźnikiem sukcesu.