<\/p>\n
Wenn wir Klassifizierungsmodelle<\/a> beim maschinellen Lernen verwenden, verwenden wir drei g\u00e4ngige Metriken, um die Qualit\u00e4t des Modells zu bewerten:<\/span><\/p>\n 1. Genauigkeit<\/strong> : Prozentsatz der korrekten positiven Vorhersagen im Vergleich zur Gesamtzahl der positiven Vorhersagen.<\/span><\/p>\n 2. R\u00fcckruf<\/strong> : Prozentsatz der korrekten positiven Vorhersagen im Vergleich zur Gesamtzahl der tats\u00e4chlichen positiven Vorhersagen.<\/span><\/p>\n 3. F1-Score<\/strong> : Ein gewichteter harmonischer Durchschnitt von Pr\u00e4zision und Erinnerung. Je n\u00e4her das Modell an 1 liegt, desto besser ist das Modell.<\/span><\/p>\n Anhand dieser drei Metriken k\u00f6nnen wir verstehen, wie gut ein bestimmtes Klassifizierungsmodell Ergebnisse f\u00fcr bestimmte Antwortvariablen<\/a> vorhersagen kann.<\/span><\/span><\/p>\n Gl\u00fccklicherweise k\u00f6nnen wir beim Anpassen eines Klassifizierungsmodells in Python die Funktion \u201eclassification_report()\u201c<\/strong> aus der sklearn-<\/strong> Bibliothek verwenden, um diese drei Metriken zu generieren.<\/span><\/p>\n Das folgende Beispiel zeigt, wie Sie diese Funktion in der Praxis nutzen k\u00f6nnen.<\/span><\/p>\n F\u00fcr dieses Beispiel passen wir ein logistisches Regressionsmodell an, das Punkte verwendet und dabei hilft, vorherzusagen, ob 1.000 verschiedene College-Basketballspieler in die NBA eingezogen werden oder nicht.<\/span><\/p>\n Zuerst importieren wir die notwendigen Pakete, um eine logistische Regression in Python durchzuf\u00fchren:<\/span><\/p>\n Als N\u00e4chstes erstellen wir den Datenrahmen mit den Informationen von 1000 Basketballspielern:<\/span><\/p>\n Hinweis<\/strong> : Ein Wert von 0<\/strong> gibt an, dass ein Spieler nicht gedraftet wurde, w\u00e4hrend ein Wert von 1<\/strong> angibt, dass ein Spieler gedraftet wurde.<\/span><\/p>\n Als n\u00e4chstes werden wir unsere Daten in einen Trainingssatz und einen Testsatz aufteilen und das logistische Regressionsmodell anpassen:<\/span><\/p>\n Abschlie\u00dfend verwenden wir die Funktion \u201eclassification_report()\u201c<\/strong> , um die Klassifizierungsmetriken unseres Modells auszudrucken:<\/span><\/p>\n So interpretieren Sie das Ergebnis:<\/span><\/p>\n Klarstellung<\/strong> : Von allen Spielern, deren Modell vorhersagte, dass sie gedraftet werden w\u00fcrden, waren es nur 43 %<\/strong> tats\u00e4chlich.<\/span><\/p>\n Zur Erinnerung<\/strong> : Von allen tats\u00e4chlich gedrafteten Spielern hat das Modell dieses Ergebnis nur f\u00fcr 36 %<\/strong> richtig vorhergesagt.<\/span><\/p>\n F1-Score<\/strong> : Dieser Wert wird wie folgt berechnet:<\/span><\/p>\n Da dieser Wert nicht sehr nahe bei 1 liegt, bedeutet dies, dass das Modell schlecht vorhersagt, ob Spieler gedraftet werden oder nicht.<\/span><\/p>\n Unterst\u00fctzung<\/strong> : Diese Werte sagen uns einfach, wie viele Spieler zu jeder Klasse im Testdatensatz geh\u00f6rten. Wir k\u00f6nnen sehen, dass von den Spielern im Testdatensatz 160<\/strong> und 140<\/strong> nicht gedraftet waren.<\/span><\/p>\n Hinweis<\/strong> : Die vollst\u00e4ndige Dokumentation f\u00fcr die Funktion classification_report()<\/strong> finden Sie hier<\/a> .<\/span><\/p>\n Die folgenden Tutorials bieten zus\u00e4tzliche Informationen zur Verwendung von Klassifizierungsmodellen in Python:<\/span><\/p>\n So f\u00fchren Sie eine logistische Regression in Python durch<\/a> Wenn wir Klassifizierungsmodelle beim maschinellen Lernen verwenden, verwenden wir drei g\u00e4ngige Metriken, um die Qualit\u00e4t des Modells zu bewerten: 1. Genauigkeit : Prozentsatz der korrekten positiven Vorhersagen im Vergleich zur Gesamtzahl der positiven Vorhersagen. 2. R\u00fcckruf : Prozentsatz der korrekten positiven Vorhersagen im Vergleich zur Gesamtzahl der tats\u00e4chlichen positiven Vorhersagen. 3. F1-Score : Ein gewichteter […]<\/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
Beispiel: Verwendung des Klassifizierungsberichts in sklearn<\/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. metrics<\/span> import<\/span> classification_report<\/strong>\n<\/pre>\n #make this example reproducible\n<\/span>n.p. random<\/span> . seeds<\/span> (1)\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' points<\/span> ': np. random<\/span> . randint<\/span> (30, size=1000),\n ' assists<\/span> ': np. random<\/span> . randint<\/span> (12, size=1000),\n ' drafted<\/span> ': np. random<\/span> . randint<\/span> (2, size=1000)})\n\n#view DataFrame\n<\/span>df. head<\/span> ()\n\n\tpoints assists drafted\n0 5 1 1\n1 11 8 0\n2 12 4 1\n3 8 7 0\n4 9 0 0\n<\/strong><\/span><\/pre>\n #define the predictor variables and the response variable\n<\/span>X = df[[' points<\/span> ', ' assists<\/span> ']]\ny = df[' drafted<\/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<\/span> (X,y,test_size=0.3,random_state=0) \n\n<\/strong>#instantiate the model\n<\/span>logistic_regression = LogisticRegression()\n\n#fit the model using the training data\n<\/span>logistic_regression. fit<\/span> (X_train,y_train)\n\n#use model to make predictions on test data\n<\/span>y_pred = logistic_regression. predict<\/span> (X_test)<\/strong><\/pre>\n #print classification report for model\nprint<\/span> (classification_report(y_test, y_pred))\n\n precision recall f1-score support\n\n 0 0.51 0.58 0.54 160\n 1 0.43 0.36 0.40 140\n\n accuracy 0.48 300\n macro avg 0.47 0.47 0.47 300\nweighted avg 0.47 0.48 0.47 300\n<\/span><\/span><\/strong><\/pre>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So erstellen Sie eine Verwirrungsmatrix in Python<\/a>
So berechnen Sie die ausgewogene Pr\u00e4zision in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"