<\/p>\n
La regressione logistica<\/a> \u00e8 un metodo statistico che utilizziamo per adattare un modello di regressione quando la variabile di risposta \u00e8 binaria.<\/span><\/p>\n Per valutare quanto bene un modello di regressione logistica si adatta a un set di dati, possiamo esaminare i due parametri seguenti:<\/span><\/p>\n Un modo per visualizzare queste due misurazioni \u00e8 creare una curva ROC<\/strong> , che sta per curva “caratteristica operativa del ricevitore”.<\/span><\/p>\n Questo \u00e8 un grafico che mostra la sensibilit\u00e0 lungo l’asse y e (1 \u2013 specificit\u00e0) lungo l’asse x.<\/span><\/p>\n Un modo per quantificare l’efficacia del modello di regressione logistica nella classificazione dei dati \u00e8 calcolare l’AUC<\/strong> , che sta per “area sotto la curva”.<\/span><\/p>\n Pi\u00f9 l\u2019AUC \u00e8 vicino a 1, migliore \u00e8 il modello.<\/span><\/p>\n Il seguente esempio passo passo mostra come calcolare l’AUC per un modello di regressione logistica in Python.<\/span><\/p>\n Per prima cosa importeremo i pacchetti necessari per eseguire la regressione logistica in Python:<\/span><\/p>\n Successivamente, importeremo un set di dati e adatteremo ad esso un modello di regressione logistica:<\/span><\/p>\n Possiamo usare la funzione metrics.roc_auc_score()<\/strong> per calcolare l’AUC del modello:<\/span><\/p>\n L’AUC (area sotto la curva) per questo particolare modello \u00e8 0,5602<\/strong> .<\/span><\/p>\n Ricordiamo che un modello con un punteggio AUC pari a 0,5<\/strong> non \u00e8 migliore di un modello che effettua ipotesi casuali.<\/span><\/p>\n Pertanto, nella maggior parte dei casi, un modello con un punteggio AUC pari a 0,5602<\/strong> sarebbe considerato inadeguato nel classificare le osservazioni nelle classi corrette.<\/span><\/p>\n I seguenti tutorial forniscono informazioni aggiuntive sulle curve ROC e sui punteggi AUC:<\/span><\/p>\n Come interpretare una curva ROC (con esempi)<\/a> La regressione logistica \u00e8 un metodo statistico che utilizziamo per adattare un modello di regressione quando la variabile di risposta \u00e8 binaria. Per valutare quanto bene un modello di regressione logistica si adatta a un set di dati, possiamo esaminare i due parametri seguenti: Sensibilit\u00e0: probabilit\u00e0 che il modello preveda un risultato positivo per un’osservazione […]<\/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
Passaggio 1: importa i pacchetti<\/strong><\/span><\/h3>\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\n<\/strong><\/pre>\n Passaggio 2: adattare il modello di regressione logistica<\/strong><\/span><\/h3>\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<\/span> ,random_state= 0<\/span> ) \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>\n Passaggio 3: calcolare l’AUC<\/strong><\/span><\/h3>\n
#use model to predict probability that given y value is 1\n<\/span>y_pred_proba = log_regression. predict_proba<\/span> (X_test)[::, 1<\/span> ]\n\n#calculate AUC of model\n<\/span>auc = metrics. roc_auc_score<\/span> (y_test, y_pred_proba)\n\n#print AUC score\n<\/span>print<\/span> (auc)\n\n0.5602104030579559\n<\/strong><\/span><\/pre>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Cosa \u00e8 considerato un buon punteggio AUC?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"