<\/p>\n
Quando utilizziamoi modelli di classificazione<\/a> nell’apprendimento automatico, utilizziamo tre metriche comuni per valutare la qualit\u00e0 del modello:<\/span><\/p>\n 1. Accuratezza<\/strong> : percentuale di previsioni positive corrette rispetto al totale delle previsioni positive.<\/span><\/p>\n 2. Richiamo<\/strong> : percentuale di previsioni positive corrette rispetto al totale dei positivi effettivi.<\/span><\/p>\n 3. Punteggio F1<\/strong> : una media armonica ponderata di precisione e richiamo. Pi\u00f9 il modello \u00e8 vicino a 1, migliore \u00e8 il modello.<\/span><\/p>\n Utilizzando questi tre parametri, possiamo capire quanto bene un determinato modello di classificazione sia in grado di prevedere i risultati per determinate variabili di risposta<\/a> .<\/span><\/span><\/p>\n Fortunatamente, quando adattiamo un modello di classificazione in Python, possiamo utilizzare la funzione classification_report()<\/strong> della libreria sklearn<\/strong> per generare queste tre metriche.<\/span><\/p>\n L’esempio seguente mostra come utilizzare questa funzione nella pratica.<\/span><\/p>\n Per questo esempio, adatteremo un modello di regressione logistica che utilizza punti e assist per prevedere se 1.000 diversi giocatori di basket universitari verranno arruolati o meno nella NBA.<\/span><\/p>\n Per prima cosa importeremo i pacchetti necessari per eseguire la regressione logistica in Python:<\/span><\/p>\n Successivamente, creeremo il data frame contenente le informazioni di 1000 giocatori di basket:<\/span><\/p>\n Nota<\/strong> : un valore pari a 0<\/strong> indica che un giocatore non \u00e8 stato scelto mentre un valore pari a 1<\/strong> indica che un giocatore \u00e8 stato scelto.<\/span><\/p>\n Successivamente, divideremo i nostri dati in un set di training e in un set di test e adatteremo il modello di regressione logistica:<\/span><\/p>\n Infine, utilizzeremo la funzione classification_report()<\/strong> per stampare le metriche di classificazione del nostro modello:<\/span><\/p>\n Ecco come interpretare il risultato:<\/span><\/p>\n Precisazione<\/strong> : tra tutti i giocatori il cui modello prevedeva che sarebbero stati draftati, solo il 43%<\/strong> lo \u00e8 stato effettivamente.<\/span><\/p>\n Promemoria<\/strong> : tra tutti i giocatori effettivamente scelti, il modello ha previsto correttamente questo risultato solo per il 36%<\/strong> di essi.<\/span><\/p>\n Punteggio F1<\/strong> : questo valore viene calcolato come segue:<\/span><\/p>\n Dato che questo valore non \u00e8 molto vicino a 1, questo ci dice che il modello non prevede bene se i giocatori verranno scelti o meno.<\/span><\/p>\n Supporto<\/strong> : questi valori ci dicono semplicemente quanti giocatori appartenevano a ciascuna classe nel set di dati di test. Possiamo vedere che dei giocatori nel set di dati del test, 160<\/strong> non erano stati scelti e 140<\/strong> lo erano.<\/span><\/p>\n Nota<\/strong> : puoi trovare la documentazione completa per la funzione classification_report()<\/strong> qui<\/a> .<\/span><\/p>\n I seguenti tutorial forniscono informazioni aggiuntive sull’utilizzo dei modelli di classificazione in Python:<\/span><\/p>\n Come eseguire la regressione logistica in Python<\/a> Quando utilizziamoi modelli di classificazione nell’apprendimento automatico, utilizziamo tre metriche comuni per valutare la qualit\u00e0 del modello: 1. Accuratezza : percentuale di previsioni positive corrette rispetto al totale delle previsioni positive. 2. Richiamo : percentuale di previsioni positive corrette rispetto al totale dei positivi effettivi. 3. Punteggio F1 : una media armonica ponderata di precisione […]<\/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
Esempio: come utilizzare il rapporto di classificazione in sklearn<\/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. metrics<\/span> import<\/span> classification_report<\/strong>\n<\/pre>\n #make this example reproducible\n<\/span>n.p. random<\/span> . seeds<\/span> (1)\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' points<\/span> ': np. random<\/span> . randint<\/span> (30, size=1000),\n ' assists<\/span> ': np. random<\/span> . randint<\/span> (12, size=1000),\n ' drafted<\/span> ': np. random<\/span> . randint<\/span> (2, size=1000)})\n\n#view DataFrame\n<\/span>df. head<\/span> ()\n\n\tpoints assists drafted\n0 5 1 1\n1 11 8 0\n2 12 4 1\n3 8 7 0\n4 9 0 0\n<\/strong><\/span><\/pre>\n #define the predictor variables and the response variable\n<\/span>X = df[[' points<\/span> ', ' assists<\/span> ']]\ny = df[' drafted<\/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<\/span> (X,y,test_size=0.3,random_state=0) \n\n<\/strong>#instantiate the model\n<\/span>logistic_regression = LogisticRegression()\n\n#fit the model using the training data\n<\/span>logistic_regression. fit<\/span> (X_train,y_train)\n\n#use model to make predictions on test data\n<\/span>y_pred = logistic_regression. predict<\/span> (X_test)<\/strong><\/pre>\n #print classification report for model\nprint<\/span> (classification_report(y_test, y_pred))\n\n precision recall f1-score support\n\n 0 0.51 0.58 0.54 160\n 1 0.43 0.36 0.40 140\n\n accuracy 0.48 300\n macro avg 0.47 0.47 0.47 300\nweighted avg 0.47 0.48 0.47 300\n<\/span><\/span><\/strong><\/pre>\n\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Come creare una matrice di confusione in Python<\/a>
Come calcolare la precisione bilanciata in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"