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. 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 eine ROC-Kurve in SAS erstellt und interpretiert wird.<\/span><\/p>\n Zun\u00e4chst erstellen wir einen Datensatz mit Informationen zu den folgenden Variablen f\u00fcr 18 Studierende:<\/span><\/p>\n Als N\u00e4chstes verwenden wir die Proc-Logistik<\/strong> , um das logistische Regressionsmodell anzupassen, wobei wir \u201eAkzeptanz\u201c als Antwortvariable und \u201egpa\u201c und \u201eHandlung\u201c als Pr\u00e4diktorvariablen verwenden.<\/span><\/p>\n Wir werden die Verringerung<\/strong> angeben, damit SAS die Wahrscheinlichkeit vorhersagen kann, dass die Antwortvariable den Wert 1 annimmt.<\/span><\/p>\n Wir werden auch plots(only)=roc<\/strong> verwenden, um die ROC-Kurve f\u00fcr das Modell zu erstellen:<\/span> <\/p>\n Je n\u00e4her die ROC-Kurve an die obere linke Ecke des Diagramms passt, desto besser sagt das Modell den Wert der Antwortwerte im Datensatz voraus.<\/span><\/p>\n Aus der obigen Grafik k\u00f6nnen wir erkennen, dass die blaue ROC-Kurve dazu neigt, die obere linke Ecke zu umschlie\u00dfen, was darauf hindeutet, dass das logistische Regressionsmodell den Wert der Antwortwerte gut vorhersagen kann.<\/span><\/p>\n Um zu quantifizieren, wie gut das logistische Regressionsmodell zu den Daten passt, k\u00f6nnen wir die AUC<\/strong> (Fl\u00e4che unter der Kurve) berechnen, die uns sagt, wie viel vom Diagramm 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 Unter dem Diagrammtitel oben k\u00f6nnen wir sehen, dass die AUC dieses Modells 0,9351<\/strong> betr\u00e4gt.<\/span><\/p>\n Da dieser Wert nahe bei eins liegt, best\u00e4tigt dies, dass das Modell den Wert der Antwortwerte gut vorhersagt.<\/span><\/p>\n Wir k\u00f6nnen den AUC-Wert auch verwenden, um die Anpassung verschiedener logistischer Regressionsmodelle zu vergleichen.<\/span><\/p>\n Angenommen, wir passen zwei verschiedene logistische Regressionsmodelle an und berechnen jeweils die AUC-Werte:<\/span><\/p>\n Da die AUC von Modell 1 gr\u00f6\u00dfer ist, bedeutet dies, dass Modell 1 die Daten besser anpassen kann als Modell 2.<\/span><\/p>\n In den folgenden Tutorials wird erl\u00e4utert, wie Sie andere g\u00e4ngige Vorg\u00e4nge in SAS ausf\u00fchren:<\/span><\/p>\n So f\u00fchren Sie eine einfache lineare Regression in SAS durch<\/a> Die logistische Regression ist eine Methode, mit der wir ein Regressionsmodell anpassen k\u00f6nnen, 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 positiv […]<\/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: Erstellen Sie den Datensatz<\/strong><\/span><\/h3>\n
\n
\/*create dataset*\/\n<\/span>data<\/span> my_data;\n input<\/span> acceptance gpa act;\n datalines<\/span> ;\n1 3 30\n0 1 21\n0 2 26\n0 1 24\n1 3 29\n1 3 34\n0 3 31\n1 2 29\n0 1 21\n1 2 21\n0 1 15\n1 3 32\n1 4 31\n1 4 29\n0 1 24\n1 4 29\n1 3 21\n1 4 34\n;\nrun<\/span> ;\n<\/strong><\/pre>\n Schritt 2: Passen Sie das logistische Regressionsmodell an und erstellen Sie eine ROC-Kurve<\/strong><\/span><\/h3>\n
\/*fit logistic regression model & create ROC curve*\/\n<\/span>proc logistic<\/span> data<\/span> =my_data descending plots ( only<\/span> )=roc;<\/span><\/span>\n model<\/span> acceptance = gpa act;\nrun<\/span> ;<\/strong><\/span>\n<\/pre>\n![\"ROC-Kurve](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/rocsas1.jpg\")
<\/p>\n Schritt 3: Interpretieren Sie die ROC-Kurve<\/strong><\/span><\/h3>\n
\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie eine multiple lineare Regression in SAS durch<\/a>
So f\u00fchren Sie eine logistische Regression in SAS durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"