Genauigkeit<\/strong> : Korrigieren Sie positive Vorhersagen im Verh\u00e4ltnis zur Gesamtzahl der positiven Vorhersagen.<\/span><\/p>\n Dies wird wie folgt berechnet:<\/span><\/p>\n Erinnerung<\/strong> : Korrigieren Sie positive Vorhersagen anhand der gesamten tats\u00e4chlichen positiven Ergebnisse<\/span><\/p>\n Dies wird wie folgt berechnet:<\/span><\/p>\n Um die Pr\u00e4zision und den R\u00fcckruf eines bestimmten Modells zu visualisieren, k\u00f6nnen wir eine Pr\u00e4zisions-R\u00fcckrufkurve<\/strong> erstellen.<\/span> Diese Kurve zeigt den Kompromiss zwischen Pr\u00e4zision und Erinnerung f\u00fcr verschiedene Schwellenwerte.<\/span> <\/p>\n Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie Sie eine Pr\u00e4zisionsr\u00fcckrufkurve f\u00fcr ein logistisches Regressionsmodell in Python erstellen.<\/span><\/p>\n Zuerst importieren wir die notwendigen Pakete:<\/span><\/p>\n Als N\u00e4chstes erstellen wir einen Datensatz und passen ein logistisches Regressionsmodell daran an:<\/span><\/p>\n Als n\u00e4chstes berechnen wir die Pr\u00e4zision und den R\u00fcckruf des Modells und erstellen eine Pr\u00e4zisions-R\u00fcckruf-Kurve:<\/span> <\/p>\n Die x-Achse zeigt den Abruf und die y-Achse zeigt die Pr\u00e4zision f\u00fcr verschiedene Schwellenwerte.<\/span><\/p>\n Beachten Sie, dass mit zunehmender Erinnerung die Pr\u00e4zision abnimmt.<\/span><\/p>\n Dies stellt den Kompromiss zwischen den beiden Metriken dar. Um den R\u00fcckruf unseres Modells zu erh\u00f6hen, muss die Pr\u00e4zision abnehmen und umgekehrt.<\/span><\/p>\n So f\u00fchren Sie eine logistische Regression in Python durch<\/a> Bei der Verwendung von Klassifizierungsmodellen beim maschinellen Lernen verwenden wir h\u00e4ufig zwei Metriken zur Bewertung der Modellqualit\u00e4t: Pr\u00e4zision und Erinnerung. Genauigkeit : Korrigieren Sie positive Vorhersagen im Verh\u00e4ltnis zur Gesamtzahl der positiven Vorhersagen. Dies wird wie folgt berechnet: Genauigkeit = True Positives \/ (True Positives + False Positives) Erinnerung : Korrigieren Sie positive Vorhersagen anhand […]<\/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
\n
![\"Pr\u00e4zisionsr\u00fcckrufkurve](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/precisionrecall2.png\")
<\/p>\n Schritt 1: Pakete importieren
<\/strong><\/span><\/h3>\n from<\/span> sklearn import<\/span> datasets\nfrom<\/span> sklearn. model_selection<\/span> import<\/span> train_test_split\nfrom<\/span> sklearn. linear_model<\/span> import<\/span> LogisticRegression\nfrom<\/span> sklearn. metrics<\/span> import<\/span> precision_recall_curve\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n<\/strong><\/pre>\n Schritt 2: Passen Sie das logistische Regressionsmodell an<\/strong><\/span><\/h3>\n
#create dataset with 5 predictor variables\n<\/span>X, y = datasets. make_classification<\/span> (n_samples= 1000<\/span> ,\n n_features= 4<\/span> ,\n n_informative= 3<\/span> ,\n n_redundant= 1<\/span> ,\n random_state= 0<\/span> )\n\n#split dataset into training and testing set\n<\/span>X_train, X_test, y_train, y_test = train_test_split(X, y, test_size= .3<\/span> , random_state= 0<\/span> )\n\n#fit logistic regression model to dataset\n<\/span>classifier = LogisticRegression()\nclassify. fit<\/span> (X_train, y_train)\n\n#use logistic regression model to make predictions\n<\/span>y_score = classify. predict_proba<\/span> (X_test)[:, 1<\/span> ]<\/strong><\/span><\/pre>\n Schritt 3: Erstellen Sie die Precision-Recall-Kurve<\/strong><\/span><\/h3>\n
#calculate precision and recall\n<\/span>precision, recall, thresholds = precision_recall_curve(y_test, y_score)\n\n#create precision recall curve\n<\/span>fig, ax = plt. subplots<\/span> ()\nax. plot<\/span> (recall, precision, color=' purple<\/span> ')\n\n#add axis labels to plot\n<\/span>ax. set_title<\/span> (' Precision-Recall Curve<\/span> ')\nax. set_ylabel<\/span> (' Precision<\/span> ')\nax. set_xlabel<\/span> (' Recall<\/span> ')\n\n#displayplot<\/span>\nplt. show<\/span> ()<\/strong><\/span> <\/pre>\n<\/p>\n Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So erstellen Sie eine Verwirrungsmatrix in Python<\/a>
So interpretieren Sie eine ROC-Kurve (mit Beispielen)<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"