Dieser Kurventyp zeigt die Sensitivit\u00e4t<\/strong> und Spezifit\u00e4t<\/strong> eines Klassifizierungsmodells:<\/span><\/p>\n Die x-Achse<\/strong> einer ROC-Kurve stellt (1- Spezifit\u00e4t)<\/strong> und die y-Achse<\/strong> die Sensitivit\u00e4t<\/strong> dar:<\/span><\/span> <\/p>\n Je n\u00e4her die 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<\/strong> (Fl\u00e4che unter der Kurve) 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 Wenn wir zwei ROC-Kurven vergleichen, um zu bestimmen, welches Klassifizierungsmodell besser ist, achten wir oft darauf, welche ROC-Kurve n\u00e4her an der oberen linken Ecke des Diagramms \u201eanliegt\u201c und daher einen h\u00f6heren AUC-Wert aufweist.<\/span><\/p>\n Angenommen, wir passen ein logistisches Regressionsmodell und ein Gradienten-erweitertes Modell an einen Datensatz an, um das Ergebnis einer Antwortvariablen vorherzusagen.<\/span><\/p>\n Angenommen, wir erstellen dann ROC-Kurven, um die Leistung jedes Modells zu visualisieren:<\/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 Aus unserem Diagramm k\u00f6nnen wir die folgenden AUC-Werte f\u00fcr jedes Modell erkennen:<\/span><\/p>\n Da das mit dem Gradienten verbesserte Modell einen h\u00f6heren AUC-Wert hat, w\u00fcrden wir sagen, dass es das Ergebnis der Antwortvariablen besser vorhersagt.<\/span><\/p>\n Hinweis<\/strong> : In diesem Beispiel haben wir nur zwei ROC-Kurven verglichen, es ist jedoch m\u00f6glich, mehrere verschiedene Klassifizierungsmodelle an einen Datensatz anzupassen und noch mehr ROC-Kurven zu vergleichen, um das beste zu verwendende Modell zu ermitteln.<\/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. Dieser Kurventyp zeigt die Sensitivit\u00e4t und Spezifit\u00e4t eines Klassifizierungsmodells: Sensitivit\u00e4t: Wahrscheinlichkeit, dass das Modell ein positives Ergebnis f\u00fcr eine Beobachtung vorhersagt, obwohl das Ergebnis tats\u00e4chlich positiv ist. Spezifit\u00e4t: Wahrscheinlichkeit, dass das Modell […]<\/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
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/read_roc1.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/read_roc2.png\")
<\/p>\n Beispiel: So vergleichen Sie zwei ROC-Kurven<\/strong><\/span><\/h2>\n
![\"Vergleichen](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipleroc1.jpg\")
<\/p>\n\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h2>\n
So interpretieren Sie eine ROC-Kurve<\/a>
Was gilt als guter AUC-Wert?<\/a><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"