H\u00e4ufig m\u00f6chten Sie m\u00f6glicherweise mehrere Klassifizierungsmodelle an einen einzelnen Datensatz anpassen und f\u00fcr jedes Modell eine ROC-Kurve erstellen, um zu visualisieren, welches Modell bei den Daten am besten abschneidet.<\/span><\/p>\n Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie Sie mehrere ROC-Kurven in Python zeichnen.<\/span><\/p>\n Zuerst importieren wir mehrere notwendige Pakete in Python:<\/span><\/p>\n Als N\u00e4chstes verwenden wir die Funktion make_classification()<\/a> von sklearn, um einen gef\u00e4lschten Datensatz mit 1000 Zeilen, vier Pr\u00e4diktorvariablen und einer bin\u00e4ren Antwortvariablen zu erstellen:<\/span><\/p>\n Als N\u00e4chstes passen wir ein logistisches Regressionsmodell und dann ein Gradientenmodell an die Daten an und zeichnen die ROC-Kurve f\u00fcr jedes Modell im selben Diagramm auf:<\/span> <\/p>\n Die blaue Linie zeigt die ROC-Kurve f\u00fcr das logistische Regressionsmodell und die orangefarbene Linie zeigt die ROC-Kurve f\u00fcr das Gradienten-Boost-Modell.<\/span><\/p>\n Je n\u00e4her eine ROC-Kurve an der oberen linken Ecke des Diagramms liegt, desto besser kann das Modell die Daten in Kategorien einteilen.<\/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.<\/span><\/p>\n Aus unserem Diagramm k\u00f6nnen wir die folgenden AUC-Metriken f\u00fcr jedes Modell sehen:<\/span><\/p>\n Offensichtlich ist das Gradienten-erweiterte Modell bei der Klassifizierung der Daten in Kategorien erfolgreicher als das logistische Regressionsmodell.<\/span><\/p>\n Die folgenden Tutorials bieten zus\u00e4tzliche Informationen zu Klassifizierungsmodellen und ROC-Kurven:<\/span><\/p>\n Einf\u00fchrung in die logistische Regression<\/a> Eine M\u00f6glichkeit, die Leistung von Klassifizierungsmodellen beim maschinellen Lernen zu visualisieren, besteht darin, eine ROC-Kurve zu erstellen, die f\u00fcr \u201eReceiver Operating Characteristic\u201c-Kurve steht. H\u00e4ufig m\u00f6chten Sie m\u00f6glicherweise mehrere Klassifizierungsmodelle an einen einzelnen Datensatz anpassen und f\u00fcr jedes Modell eine ROC-Kurve erstellen, um zu visualisieren, welches Modell bei den Daten am besten abschneidet. Das folgende Schritt-f\u00fcr-Schritt-Beispiel […]<\/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 Schritt 1: Importieren Sie die erforderlichen Pakete<\/strong><\/span><\/h3>\n
from<\/span> sklearn import<\/span> metrics\nfrom<\/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. set<\/span> import<\/span> GradientBoostingClassifier\nimport<\/span> numpy as<\/span> np\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n<\/strong><\/span><\/pre>\n Schritt 2: Erstellen Sie gef\u00e4lschte Daten<\/strong><\/span><\/h3>\n
#create fake dataset\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> )<\/strong><\/span><\/pre>\n Schritt 3: Mehrere Modelle anpassen und ROC-Kurven zeichnen<\/strong><\/span><\/h3>\n
#set up plotting area\n<\/span>plt. Figure<\/span> (0). clf<\/span> ()\n\n#fit logistic regression model and plot ROC curve\n<\/span>model = LogisticRegression()\nmodel. fit<\/span> (X_train, y_train)\ny_pred = model. predict_proba<\/span> (X_test)[:, 1]\nfpr, tpr, _ = metrics. roc_curve<\/span> (y_test, y_pred)\nauc = round(metrics. roc_auc_score<\/span> (y_test, y_pred), 4)\nplt. plot<\/span> (fpr,tpr,label=\"Logistic Regression, AUC=\"+str(auc))\n\n#fit gradient boosted model and plot ROC curve\n<\/span>model = GradientBoostingClassifier()\nmodel. fit<\/span> (X_train, y_train)\ny_pred = model. predict_proba<\/span> (X_test)[:, 1]\nfpr, tpr, _ = metrics. roc_curve<\/span> (y_test, y_pred)\nauc = round(metrics. roc_auc_score<\/span> (y_test, y_pred), 4)\nplt. plot<\/span> (fpr,tpr,label=\"Gradient Boosting, AUC=\"+str(auc))\n\n#add legend\n<\/span>plt. legend<\/span> ()<\/strong><\/span> <\/pre>\n![\"Zeichnen](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipleroc1.jpg\")
<\/p>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So interpretieren Sie eine ROC-Kurve (mit Beispielen)<\/a>
Was gilt als guter AUC-Wert?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"