- \n
- Sensibilit\u00e0:<\/strong> probabilit\u00e0 che il modello preveda un risultato positivo per un’osservazione quando il risultato \u00e8 effettivamente positivo. Questo \u00e8 anche chiamato il \u201cvero tasso positivo\u201d.<\/span><\/li>\n
- Specificit\u00e0:<\/strong> la probabilit\u00e0 che il modello preveda un risultato negativo per un’osservazione quando il risultato \u00e8 effettivamente negativo. Questo \u00e8 anche chiamato \u201cvero tasso negativo\u201d.<\/span><\/li>\n<\/ul>\n
Un modo per visualizzare queste due misurazioni \u00e8 creare una curva ROC<\/strong> , che sta per curva “caratteristica operativa del ricevitore”. Questo \u00e8 un grafico che mostra la sensibilit\u00e0 e la specificit\u00e0 di un modello di regressione logistica.<\/span><\/p>\n
Il seguente esempio passo passo mostra come creare e interpretare una curva ROC in Python.<\/span><\/p>\n
Passaggio 1: importa i pacchetti necessari<\/span><\/strong><\/span><\/h3>\n
Per prima cosa importeremo i pacchetti necessari per eseguire la regressione logistica in 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>\nPassaggio 2: adattare il modello di regressione logistica<\/strong><\/span><\/h3>\n
Successivamente, importeremo un set di dati e adatteremo ad esso un modello di regressione logistica:<\/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>\nPassaggio 3: traccia la curva ROC<\/strong><\/span><\/h3>\n
Successivamente, calcoleremo il tasso di veri positivi e il tasso di falsi positivi e creeremo una curva ROC utilizzando il pacchetto di visualizzazione dei dati 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>\nQuanto pi\u00f9 la curva si avvicina all’angolo superiore sinistro del grafico, tanto meglio il modello \u00e8 in grado di classificare i dati in categorie.<\/span><\/p>\n
Come possiamo vedere dal grafico sopra, questo modello di regressione logistica fa un lavoro piuttosto scarso nell\u2019ordinare i dati in categorie.<\/span><\/p>\n
Per quantificarlo, possiamo calcolare l\u2019AUC \u2013 area sotto la curva \u2013 che ci dice quanta parte del grafico si trova sotto la curva.<\/span><\/p>\n
Pi\u00f9 l\u2019AUC \u00e8 vicino a 1, migliore \u00e8 il modello. Un modello con un’AUC pari a 0,5 non \u00e8 migliore di un modello che esegue classificazioni casuali.<\/span><\/p>\n
Passaggio 4: calcolare l’AUC<\/strong><\/span><\/h3>\n
- Specificit\u00e0:<\/strong> la probabilit\u00e0 che il modello preveda un risultato negativo per un’osservazione quando il risultato \u00e8 effettivamente negativo. Questo \u00e8 anche chiamato \u201cvero tasso negativo\u201d.<\/span><\/li>\n<\/ul>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/rocpython2.png\")
<\/p>\n