- \n
- Sensitivit\u00e4t:<\/strong> Wahrscheinlichkeit, dass das Modell ein positives Ergebnis f\u00fcr eine Beobachtung vorhersagt, obwohl das Ergebnis tats\u00e4chlich positiv ist. Dies wird auch als \u201eTrue-Positive-Rate\u201c bezeichnet.<\/span><\/li>\n
- Spezifit\u00e4t:<\/strong> Die Wahrscheinlichkeit, dass das Modell ein negatives Ergebnis f\u00fcr eine Beobachtung vorhersagt, obwohl das Ergebnis tats\u00e4chlich negativ ist. Dies wird auch als \u201eechte Negativrate\u201c bezeichnet.<\/span><\/li>\n<\/ul>\n
Eine M\u00f6glichkeit, diese beiden Messungen zu visualisieren, besteht darin, eine ROC-Kurve<\/strong> zu erstellen, die f\u00fcr \u201eReceiver Operating Characteristic\u201c-Kurve steht. Dies ist ein Diagramm, das die Sensitivit\u00e4t und Spezifit\u00e4t eines logistischen Regressionsmodells anzeigt.<\/span><\/p>\n
Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie Sie eine ROC-Kurve in Python erstellen und interpretieren.<\/span><\/p>\n
Schritt 1: Importieren Sie die erforderlichen Pakete<\/span><\/strong><\/span><\/h3>\n
Zuerst importieren wir die notwendigen Pakete, um eine logistische Regression in Python durchzuf\u00fchren:<\/span><\/p>\n
import<\/span> pandas as<\/span> pd\nimport<\/span> numpy as<\/span> np\nfrom<\/span> sklearn. model_selection<\/span> import<\/span> train_test_split\nfrom<\/span> sklearn. linear_model<\/span> import<\/span> LogisticRegression\nfrom<\/span> sklearn import<\/span> metrics\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n<\/strong><\/pre>\nSchritt 2: Passen Sie das logistische Regressionsmodell an<\/strong><\/span><\/h3>\n
Als N\u00e4chstes importieren wir einen Datensatz und passen ein logistisches Regressionsmodell daran an:<\/span><\/p>\n
#import dataset from CSV file on Github\n<\/span>url = \"https:\/\/raw.githubusercontent.com\/Statorials\/Python-Guides\/main\/default.csv\"\ndata = pd. read_csv<\/span> (url)\n\n#define the predictor variables and the response variable\n<\/span>X = data[[' student<\/span> ',' balance<\/span> ',' income<\/span> ']]\ny = data[' default<\/span> ']\n\n#split the dataset into training (70%) and testing (30%) sets\n<\/span>X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.3,random_state=0) \n\n#instantiate the model\n<\/span>log_regression = LogisticRegression()\n\n#fit the model using the training data\n<\/span>log_regression. fit<\/span> (X_train,y_train)<\/strong><\/span><\/pre>\nSchritt 3: Zeichnen Sie die ROC-Kurve<\/strong><\/span><\/h3>\n
Als n\u00e4chstes berechnen wir die True-Positive-Rate und die False-Positive-Rate und erstellen eine ROC-Kurve mit dem Matplotlib-Datenvisualisierungspaket:<\/span> <\/p>\n
#define metrics\n<\/span>y_pred_proba = log_regression. predict_proba<\/span> (X_test)[::,1]\nfpr, tpr, _ = metrics. roc_curve<\/span> (y_test, y_pred_proba)\n\n#create ROC curve\n<\/span>plt. plot<\/span> (fpr,tpr)\nplt. ylabel<\/span> (' True Positive Rate<\/span> ')\nplt. xlabel<\/span> (' False Positive Rate<\/span> ')\nplt. show<\/span> ()<\/strong><\/span> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/rocpython1.png\")
<\/p>\nJe n\u00e4her die Kurve an der oberen linken Ecke des Diagramms liegt, desto besser kann das Modell die Daten in Kategorien einteilen.<\/span><\/p>\n
Wie wir aus der obigen Grafik ersehen k\u00f6nnen, gelingt es diesem logistischen Regressionsmodell ziemlich schlecht, die Daten in Kategorien zu sortieren.<\/span><\/p>\n
Um dies zu quantifizieren, k\u00f6nnen wir die AUC \u2013 Fl\u00e4che unter der Kurve \u2013 berechnen, die uns sagt, wie viel von der Handlung unter der Kurve liegt.<\/span><\/p>\n
Je n\u00e4her die AUC bei 1 liegt, desto besser ist das Modell. Ein Modell mit einer AUC von 0,5 ist nicht besser als ein Modell, das zuf\u00e4llige Klassifizierungen durchf\u00fchrt.<\/span><\/p>\n
Schritt 4: Berechnen Sie die AUC<\/strong><\/span><\/h3>\n
- Spezifit\u00e4t:<\/strong> Die Wahrscheinlichkeit, dass das Modell ein negatives Ergebnis f\u00fcr eine Beobachtung vorhersagt, obwohl das Ergebnis tats\u00e4chlich negativ ist. Dies wird auch als \u201eechte Negativrate\u201c bezeichnet.<\/span><\/li>\n<\/ul>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/rocpython2.png\")
<\/p>\n