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”. 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 SAS.<\/span><\/p>\n Innanzitutto, creeremo un set di dati contenente informazioni sulle seguenti variabili per 18 studenti:<\/span><\/p>\n Successivamente, utilizzeremo la logistica di processo<\/strong> per adattare il modello di regressione logistica, utilizzando “accettazione” come variabile di risposta e “gpa” e “agire” come variabili predittive.<\/span><\/p>\n Specificheremo decrescente<\/strong> in modo che SAS sappia come prevedere la probabilit\u00e0 che la variabile di risposta assuma il valore 1.<\/span><\/p>\n Utilizzeremo anche plots(only)=roc<\/strong> per creare la curva ROC per il modello:<\/span> <\/p>\n Quanto pi\u00f9 la curva ROC si avvicina all’angolo in alto a sinistra del grafico, tanto meglio il modello prevede il valore dei valori di risposta nel set di dati.<\/span><\/p>\n Dal grafico sopra, possiamo vedere che la curva ROC blu tende ad abbracciare l’angolo in alto a sinistra, indicando che il modello di regressione logistica sta facendo un buon lavoro nel prevedere il valore dei valori di risposta.<\/span><\/p>\n Per quantificare quanto bene il modello di regressione logistica si adatta ai dati, possiamo calcolare l\u2019 AUC<\/strong> \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 Sotto il titolo del grafico sopra, possiamo vedere che l’AUC di questo modello \u00e8 0,9351<\/strong> .<\/span><\/p>\n Poich\u00e9 questo valore \u00e8 vicino a uno, ci\u00f2 conferma che il modello prevede bene il valore dei valori di risposta.<\/span><\/p>\n Possiamo anche utilizzare il valore AUC per confrontare l’adattamento di diversi modelli di regressione logistica.<\/span><\/p>\n Ad esempio, supponiamo di adattare due diversi modelli di regressione logistica e di calcolare i valori AUC per ciascuno:<\/span><\/p>\n Poich\u00e9 l\u2019AUC del Modello 1 \u00e8 maggiore, ci\u00f2 ci dice che il Modello 1 fa un lavoro migliore nell\u2019adattare i dati rispetto al Modello 2.<\/span><\/p>\n I seguenti tutorial spiegano come eseguire altre operazioni comuni in SAS:<\/span><\/p>\n Come eseguire una regressione lineare semplice in SAS<\/a> La regressione logistica \u00e8 un metodo che possiamo utilizzare 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: crea il set di dati<\/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 Passaggio 2: adattare il modello di regressione logistica e creare una curva 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![\"Curva](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/rocsas1.jpg\")
<\/p>\n Passaggio 3: interpretare la curva ROC<\/strong><\/span><\/h3>\n
\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire la regressione lineare multipla in SAS<\/a>
Come eseguire la regressione logistica in SAS<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"