Hoe u een verwarringsmatrix maakt in excel

Logistische regressie is een type regressie dat we kunnen gebruiken als de responsvariabele binair is.

Een gebruikelijke manier om de kwaliteit van een logistisch regressiemodel te beoordelen, is door een verwarringsmatrix te maken, een tabel van 2 × 2 die de voorspelde waarden van het model weergeeft versus de werkelijke waarden van de testdataset.

Het volgende stapsgewijze voorbeeld laat zien hoe u een verwarringsmatrix in Excel kunt maken.

Stap 1: Voer de gegevens in

Laten we eerst een kolom met werkelijke waarden voor een responsvariabele invoeren, samen met de waarden die worden voorspeld door een logistisch regressiemodel:

Stap 2: Creëer de verwarringsmatrix

Vervolgens gebruiken we de formule COUNTIFS() om het aantal waarden te tellen dat „0“ is in de kolom Werkelijk en ook „0“ in de kolom Voorspeld:

We zullen een soortgelijke formule gebruiken om alle andere cellen in de verwarringsmatrix te vullen:

Stap 3: Bereken nauwkeurigheid, precisie en herinnering

Nadat we de verwarringsmatrix hebben gemaakt, kunnen we de volgende statistieken berekenen:

• Nauwkeurigheid : percentage correcte voorspellingen
• Nauwkeurigheid : corrigeer positieve voorspellingen ten opzichte van het totale aantal positieve voorspellingen
• Herinnering : positieve voorspellingen corrigeren ten opzichte van het totale aantal werkelijke positieve resultaten

De volgende formules laten zien hoe u elk van deze metingen in Excel kunt berekenen:

Hoe hoger de nauwkeurigheid, hoe beter een model waarnemingen correct kan classificeren.

In dit voorbeeld heeft ons model een nauwkeurigheid van 0,7 , wat ons vertelt dat het 70% van de waarnemingen correct heeft geclassificeerd.

Als we willen, kunnen we deze nauwkeurigheid vergelijken met die van andere logistieke regressiemodellen om te bepalen welk model het beste is in het classificeren van waarnemingen in de categorieën 0 of 1.

Aanvullende bronnen

Inleiding tot logistieke regressie
De 3 soorten logistische regressie
Logistieke regressie versus lineaire regressie