Spesso \u00e8 possibile adattare pi\u00f9 modelli di classificazione a un singolo set di dati e creare una curva ROC per ciascun modello per visualizzare quale modello offre le migliori prestazioni sui dati.<\/span><\/p>\n Il seguente esempio passo passo mostra come tracciare pi\u00f9 curve ROC in Python.<\/span><\/p>\n Per prima cosa importeremo diversi pacchetti necessari in Python:<\/span><\/p>\n Successivamente, utilizzeremo la funzione make_classification()<\/a> di sklearn per creare un set di dati falso con 1000 righe, quattro variabili predittive e una variabile di risposta binaria:<\/span><\/p>\n Successivamente, adatteremo ai dati un modello di regressione logistica e quindi un modello con gradiente migliorato e tracceremo la curva ROC per ciascun modello sullo stesso grafico:<\/span> <\/p>\n La linea blu mostra la curva ROC per il modello di regressione logistica e la linea arancione mostra la curva ROC per il modello con gradiente potenziato.<\/span><\/p>\n Pi\u00f9 una curva ROC si avvicina all’angolo superiore sinistro del grafico, migliore \u00e8 la capacit\u00e0 del modello di classificare 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.<\/span><\/p>\n Dal nostro grafico, possiamo vedere le seguenti metriche AUC per ciascun modello:<\/span><\/p>\n Ovviamente, il modello potenziato dal gradiente ha pi\u00f9 successo nel classificare i dati in categorie rispetto al modello di regressione logistica.<\/span><\/p>\n Le seguenti esercitazioni forniscono informazioni aggiuntive sui modelli di classificazione e sulle curve ROC:<\/span><\/p>\n Introduzione alla regressione logistica<\/a> Un modo per visualizzare le prestazioni deimodelli di classificazione nell’apprendimento automatico \u00e8 creare una curva ROC , che sta per curva “caratteristica operativa del ricevitore”. Spesso \u00e8 possibile adattare pi\u00f9 modelli di classificazione a un singolo set di dati e creare una curva ROC per ciascun modello per visualizzare quale modello offre le migliori prestazioni […]<\/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 Passaggio 1: importa i pacchetti necessari<\/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 Passaggio 2: crea dati falsi<\/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 Passaggio 3: adattare pi\u00f9 modelli e tracciare le curve 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![\"tracciare](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipleroc1.jpg\")
<\/p>\n\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Come interpretare una curva ROC (con esempi)<\/a>
Cosa \u00e8 considerato un buon punteggio AUC?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"