Untuk mengevaluasi seberapa cocok model regresi logistik dengan kumpulan data, kita dapat melihat dua metrik berikut:<\/span><\/p>\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 di SAS.<\/span><\/p>\n Pertama, kita akan membuat dataset yang berisi informasi variabel berikut untuk 18 siswa:<\/span><\/p>\n Selanjutnya, kita akan menggunakan logistik proc<\/strong> agar sesuai dengan model regresi logistik, menggunakan “penerimaan” sebagai variabel respons dan “gpa” dan “tindakan” sebagai variabel prediktor.<\/span><\/p>\n Kami akan menentukan penurunan<\/strong> sehingga SAS mengetahui cara memprediksi probabilitas variabel respons mengambil nilai 1.<\/span><\/p>\n Kami juga akan menggunakan plots(only)=roc<\/strong> untuk membuat kurva ROC untuk model:<\/span> <\/p>\n Semakin dekat kurva ROC dengan sudut kiri atas plot, semakin baik model memprediksi nilai nilai respons dalam kumpulan data.<\/span><\/p>\n Dari grafik di atas, kita dapat melihat bahwa kurva ROC berwarna biru cenderung berada di sudut kiri atas, yang menunjukkan bahwa model regresi logistik berfungsi dengan baik dalam memprediksi nilai nilai respons.<\/span><\/p>\n Untuk mengukur seberapa cocok model regresi logistik dengan data, kita dapat menghitung AUC<\/strong> \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 Berdasarkan judul grafik di atas, kita dapat melihat bahwa AUC model ini adalah 0,9351<\/strong> .<\/span><\/p>\n Karena nilai ini mendekati satu, hal ini menegaskan bahwa model memprediksi nilai nilai respons dengan baik.<\/span><\/p>\n Kita juga dapat menggunakan nilai AUC untuk membandingkan kesesuaian model regresi logistik yang berbeda.<\/span><\/p>\n Misalnya, kita memasangkan dua model regresi logistik yang berbeda dan menghitung nilai AUC untuk masing-masing model:<\/span><\/p>\n Karena AUC Model 1 lebih besar, hal ini menunjukkan bahwa Model 1 berfungsi lebih baik dalam menyesuaikan data dibandingkan Model 2.<\/span><\/p>\n Tutorial berikut menjelaskan cara melakukan operasi umum lainnya di SAS:<\/span><\/p>\n Cara melakukan regresi linier sederhana di SAS<\/a> Regresi logistik adalah metode yang dapat kita gunakan untuk menyesuaikan model regresi ketika variabel responnya adalah biner. Untuk mengevaluasi seberapa cocok model regresi logistik dengan kumpulan data, kita dapat melihat dua metrik berikut: Sensitivitas: probabilitas model memprediksi hasil positif untuk suatu observasi padahal hasilnya benar-benar positif. Ini juga disebut \u201ctingkat positif sebenarnya\u201d. Kekhususan: probabilitas model […]<\/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
Langkah 1: Buat kumpulan data<\/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 Langkah 2: Sesuaikan model regresi logistik dan buat kurva ROC<\/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![\"Kurva](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/rocsas1.jpg\")
<\/p>\n Langkah 3: Interpretasikan kurva ROC<\/strong><\/span><\/h3>\n
\n
Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara melakukan regresi linier berganda di SAS<\/a>
Cara melakukan regresi logistik di SAS<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"