- \n
- Sensitivitas:<\/strong> probabilitas model memprediksi hasil positif untuk suatu observasi padahal hasilnya benar-benar positif. Ini juga disebut \u201ctingkat positif sebenarnya\u201d.<\/span><\/li>\n
- Kekhususan:<\/strong> probabilitas model memprediksi hasil negatif untuk suatu observasi padahal hasilnya sebenarnya negatif. Ini juga disebut \u201ctingkat negatif sebenarnya\u201d.<\/span><\/li>\n<\/ul>\n
Salah satu cara untuk memvisualisasikan kedua pengukuran ini adalah dengan membuat kurva ROC<\/strong> , yang merupakan singkatan dari kurva \u201ckarakteristik pengoperasian penerima\u201d. Ini adalah grafik yang menampilkan sensitivitas dan spesifisitas model regresi logistik.<\/span><\/p>\n
Contoh langkah demi langkah berikut menunjukkan cara membuat dan menafsirkan kurva ROC dengan Python.<\/span><\/p>\n
Langkah 1: Impor paket yang diperlukan<\/span><\/strong><\/span><\/h3>\n
Pertama, kita akan mengimpor paket yang diperlukan untuk melakukan regresi logistik dengan Python:<\/span><\/p>\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 import<\/span> metrics\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n<\/strong><\/pre>\nLangkah 2: Sesuaikan model regresi logistik<\/strong><\/span><\/h3>\n
Selanjutnya, kita akan mengimpor kumpulan data dan menyesuaikan model regresi logistik ke dalamnya:<\/span><\/p>\n
#import dataset from CSV file on Github\n<\/span>url = \"https:\/\/raw.githubusercontent.com\/Statorials\/Python-Guides\/main\/default.csv\"\ndata = pd. read_csv<\/span> (url)\n\n#define the predictor variables and the response variable\n<\/span>X = data[[' student<\/span> ',' balance<\/span> ',' income<\/span> ']]\ny = data[' default<\/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(X,y,test_size=0.3,random_state=0) \n\n#instantiate the model\n<\/span>log_regression = LogisticRegression()\n\n#fit the model using the training data\n<\/span>log_regression. fit<\/span> (X_train,y_train)<\/strong><\/span><\/pre>\nLangkah 3: Gambarkan kurva ROC<\/strong><\/span><\/h3>\n
Selanjutnya, kita akan menghitung tingkat positif sebenarnya dan tingkat positif palsu dan membuat kurva ROC menggunakan paket visualisasi data Matplotlib:<\/span> <\/p>\n
#define metrics\n<\/span>y_pred_proba = log_regression. predict_proba<\/span> (X_test)[::,1]\nfpr, tpr, _ = metrics. roc_curve<\/span> (y_test, y_pred_proba)\n\n#create ROC curve\n<\/span>plt. plot<\/span> (fpr,tpr)\nplt. ylabel<\/span> (' True Positive Rate<\/span> ')\nplt. xlabel<\/span> (' False Positive Rate<\/span> ')\nplt. show<\/span> ()<\/strong><\/span> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/rocpython1.png\")
<\/p>\nSemakin dekat kurva ke sudut kiri atas plot, semakin baik model tersebut mampu mengklasifikasikan data ke dalam kategori.<\/span><\/p>\n
Seperti yang dapat kita lihat dari grafik di atas, model regresi logistik ini kurang berfungsi dalam mengurutkan data ke dalam kategori.<\/span><\/p>\n
Untuk mengukurnya, kita dapat menghitung AUC \u2013 area di bawah kurva \u2013 yang menunjukkan seberapa banyak plot yang berada di bawah kurva.<\/span><\/p>\n
Semakin dekat AUC ke 1, maka semakin baik model tersebut. Model dengan AUC sama dengan 0,5 tidak lebih baik dari model yang melakukan klasifikasi acak.<\/span><\/p>\n
Langkah 4: Hitung AUC<\/strong><\/span><\/h3>\n
- Kekhususan:<\/strong> probabilitas model memprediksi hasil negatif untuk suatu observasi padahal hasilnya sebenarnya negatif. Ini juga disebut \u201ctingkat negatif sebenarnya\u201d.<\/span><\/li>\n<\/ul>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/rocpython2.png\")
<\/p>\n