Seringkali, Anda mungkin ingin menyesuaikan beberapa model klasifikasi ke satu kumpulan data dan membuat kurva ROC untuk setiap model guna memvisualisasikan model mana yang memiliki performa terbaik pada data.<\/span><\/p>\n Contoh langkah demi langkah berikut menunjukkan cara memplot beberapa kurva ROC dengan Python.<\/span><\/p>\n Pertama, kita akan mengimpor beberapa paket yang diperlukan ke Python:<\/span><\/p>\n Selanjutnya, kita akan menggunakan fungsi make_classification()<\/a> sklearn untuk membuat kumpulan data palsu dengan 1000 baris, empat variabel prediktor, dan variabel respons biner:<\/span><\/p>\n Selanjutnya, kita akan menyesuaikan model regresi logistik dan kemudian model yang ditingkatkan gradien ke data dan memplot kurva ROC untuk setiap model pada plot yang sama:<\/span> <\/p>\n Garis biru menunjukkan kurva ROC untuk model regresi logistik dan garis oranye menunjukkan kurva ROC untuk model peningkatan gradien.<\/span><\/p>\n Semakin dekat kurva ROC ke sudut kiri atas plot, semakin baik model tersebut mampu mengklasifikasikan 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.<\/span><\/p>\n Dari bagan kami, kami dapat melihat metrik AUC berikut untuk setiap model:<\/span><\/p>\n Jelasnya, model dengan peningkatan gradien lebih berhasil dalam mengklasifikasikan data ke dalam kategori dibandingkan model regresi logistik.<\/span><\/p>\n Tutorial berikut memberikan informasi tambahan tentang model klasifikasi dan kurva ROC:<\/span><\/p>\n Pengantar Regresi Logistik<\/a> Salah satu cara untuk memvisualisasikan performa model klasifikasi dalam pembelajaran mesin adalah dengan membuat kurva ROC , yang merupakan singkatan dari kurva \u201ckarakteristik operasi penerima\u201d. Seringkali, Anda mungkin ingin menyesuaikan beberapa model klasifikasi ke satu kumpulan data dan membuat kurva ROC untuk setiap model guna memvisualisasikan model mana yang memiliki performa terbaik pada data. Contoh […]<\/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 Langkah 1: Impor paket yang diperlukan<\/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 Langkah 2: Buat Data Palsu<\/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 Langkah 3: Sesuaikan Beberapa Model dan Plot Kurva ROC<\/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![\"plot](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipleroc1.jpg\")
<\/p>\n\n
Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara Menafsirkan Kurva ROC (dengan Contoh)<\/a>
Apa yang dianggap sebagai skor AUC yang baik?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"