<\/p>\n
Die logistische Regression<\/a> ist eine statistische Methode, die wir verwenden, um ein Regressionsmodell anzupassen, wenn die Antwortvariable bin\u00e4r ist.<\/span><\/p>\n Um zu bewerten, wie gut ein logistisches Regressionsmodell zu einem Datensatz passt, k\u00f6nnen wir uns die folgenden zwei Metriken ansehen:<\/span><\/p>\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.<\/span><\/p>\n Dies ist ein Diagramm, das die Sensitivit\u00e4t entlang der y-Achse und (1 \u2013 Spezifit\u00e4t) entlang der x-Achse anzeigt.<\/span><\/p>\n Eine M\u00f6glichkeit, die Wirksamkeit des logistischen Regressionsmodells bei der Klassifizierung von Daten zu quantifizieren, besteht in der Berechnung der AUC<\/strong> , die f\u00fcr \u201eFl\u00e4che unter der Kurve\u201c steht.<\/span><\/p>\n Je n\u00e4her die AUC bei 1 liegt, desto besser ist das Modell.<\/span><\/p>\n Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie die AUC f\u00fcr ein logistisches Regressionsmodell in Python berechnet wird.<\/span><\/p>\n Zuerst importieren wir die notwendigen Pakete, um eine logistische Regression in Python durchzuf\u00fchren:<\/span><\/p>\n Als N\u00e4chstes importieren wir einen Datensatz und passen ein logistisches Regressionsmodell daran an:<\/span><\/p>\n Wir k\u00f6nnen die Funktion metrics.roc_auc_score()<\/strong> verwenden, um die AUC des Modells zu berechnen:<\/span><\/p>\n Die AUC (Fl\u00e4che unter der Kurve) f\u00fcr dieses spezielle Modell betr\u00e4gt 0,5602<\/strong> .<\/span><\/p>\n Denken Sie daran, dass ein Modell mit einem AUC-Wert von 0,5<\/strong> nicht besser ist als ein Modell, das zuf\u00e4llige Sch\u00e4tzungen anstellt.<\/span><\/p>\n Daher w\u00fcrde in den meisten F\u00e4llen ein Modell mit einem AUC-Wert von 0,5602<\/strong> als schlecht bei der Klassifizierung von Beobachtungen in die richtigen Klassen angesehen werden.<\/span><\/p>\n Die folgenden Tutorials bieten zus\u00e4tzliche Informationen zu ROC-Kurven und AUC-Scores:<\/span><\/p>\n So interpretieren Sie eine ROC-Kurve (mit Beispielen)<\/a> Die logistische Regression ist eine statistische Methode, die wir verwenden, um ein Regressionsmodell anzupassen, wenn die Antwortvariable bin\u00e4r ist. Um zu bewerten, wie gut ein logistisches Regressionsmodell zu einem Datensatz passt, k\u00f6nnen wir uns die folgenden zwei Metriken ansehen: Sensitivit\u00e4t: Wahrscheinlichkeit, dass das Modell ein positives Ergebnis f\u00fcr eine Beobachtung vorhersagt, obwohl das Ergebnis tats\u00e4chlich […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n\n
Schritt 1: Pakete importieren<\/strong><\/span><\/h3>\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\n<\/strong><\/pre>\n Schritt 2: Passen Sie das logistische Regressionsmodell an<\/strong><\/span><\/h3>\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<\/span> ,random_state= 0<\/span> ) \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>\n Schritt 3: Berechnen Sie die AUC<\/strong><\/span><\/h3>\n
#use model to predict probability that given y value is 1\n<\/span>y_pred_proba = log_regression. predict_proba<\/span> (X_test)[::, 1<\/span> ]\n\n#calculate AUC of model\n<\/span>auc = metrics. roc_auc_score<\/span> (y_test, y_pred_proba)\n\n#print AUC score\n<\/span>print<\/span> (auc)\n\n0.5602104030579559\n<\/strong><\/span><\/pre>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
Was gilt als guter AUC-Wert?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"