Precisione<\/strong> : correggere le previsioni positive rispetto al totale delle previsioni positive.<\/span><\/p>\n Questo viene calcolato come segue:<\/span><\/p>\n Promemoria<\/strong> : correzione delle previsioni positive rispetto al totale dei positivi effettivi<\/span><\/p>\n Questo viene calcolato come segue:<\/span><\/p>\n Per visualizzare la precisione e il richiamo di un determinato modello, possiamo creare una curva di richiamo precisione<\/strong> .<\/span> Questa curva mostra il compromesso tra precisione e richiamo per soglie diverse.<\/span> <\/p>\n Il seguente esempio passo passo mostra come creare una curva di richiamo di precisione per un modello di regressione logistica in Python.<\/span><\/p>\n Per prima cosa importeremo i pacchetti necessari:<\/span><\/p>\n Successivamente, creeremo un set di dati e adatteremo ad esso un modello di regressione logistica:<\/span><\/p>\n Successivamente, calcoleremo la precisione e il richiamo del modello e creeremo una curva di richiamo precisione:<\/span> <\/p>\n L’asse x mostra il richiamo e l’asse y mostra la precisione per diverse soglie.<\/span><\/p>\n Si noti che all’aumentare del richiamo, la precisione diminuisce.<\/span><\/p>\n Questo rappresenta il compromesso tra i due parametri. Per aumentare il richiamo del nostro modello, la precisione deve diminuire e viceversa.<\/span><\/p>\n Come eseguire la regressione logistica in Python<\/a> Quando si utilizzanomodelli di classificazione nell’apprendimento automatico, due metriche che utilizziamo spesso per valutare la qualit\u00e0 del modello sono la precisione e il richiamo. Precisione : correggere le previsioni positive rispetto al totale delle previsioni positive. Questo viene calcolato come segue: Precisione = Veri positivi \/ (Veri positivi + Falsi positivi) Promemoria : correzione delle […]<\/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
\n
![\"Curva](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/precisionrecall2.png\")
<\/p>\n Passaggio 1: importa i pacchetti
<\/strong><\/span><\/h3>\n from<\/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. metrics<\/span> import<\/span> precision_recall_curve\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n<\/strong><\/pre>\n Passaggio 2: adattare il modello di regressione logistica<\/strong><\/span><\/h3>\n
#create dataset with 5 predictor variables\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> )\n\n#fit logistic regression model to dataset\n<\/span>classifier = LogisticRegression()\nclassify. fit<\/span> (X_train, y_train)\n\n#use logistic regression model to make predictions\n<\/span>y_score = classify. predict_proba<\/span> (X_test)[:, 1<\/span> ]<\/strong><\/span><\/pre>\n Passaggio 3: creare la curva di richiamo di precisione<\/strong><\/span><\/h3>\n
#calculate precision and recall\n<\/span>precision, recall, thresholds = precision_recall_curve(y_test, y_score)\n\n#create precision recall curve\n<\/span>fig, ax = plt. subplots<\/span> ()\nax. plot<\/span> (recall, precision, color=' purple<\/span> ')\n\n#add axis labels to plot\n<\/span>ax. set_title<\/span> (' Precision-Recall Curve<\/span> ')\nax. set_ylabel<\/span> (' Precision<\/span> ')\nax. set_xlabel<\/span> (' Recall<\/span> ')\n\n#displayplot<\/span>\nplt. show<\/span> ()<\/strong><\/span> <\/pre>\n<\/p>\n Risorse addizionali<\/strong><\/span><\/h3>\n
Come creare una matrice di confusione in Python<\/a>
Come interpretare una curva ROC (con esempi)<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"