<\/p>\n
Logistische regressie<\/a> is een statistische methode die we gebruiken om een regressiemodel te fitten wanneer de responsvariabele binair is.<\/span><\/p>\n Om te evalueren hoe goed een logistisch regressiemodel bij een dataset past, kunnen we naar de volgende twee statistieken kijken:<\/span><\/p>\n E\u00e9n manier om deze twee metingen te visualiseren is door een ROC-curve<\/strong> te maken, wat staat voor \u2018receiver operating karakteristieke\u2019-curve.<\/span><\/p>\n Dit is een grafiek die de gevoeligheid langs de y-as en (1 \u2013 specificiteit) langs de x-as weergeeft.<\/span><\/p>\n E\u00e9n manier om de effectiviteit van het logistische regressiemodel bij het classificeren van gegevens te kwantificeren is door de AUC<\/strong> te berekenen, wat staat voor ‚area under the curve‘.<\/span><\/p>\n Hoe dichter de AUC bij 1 ligt, hoe beter het model.<\/span><\/p>\n In het volgende stapsgewijze voorbeeld ziet u hoe u de AUC voor een logistisch regressiemodel in Python kunt berekenen.<\/span><\/p>\n Eerst zullen we de benodigde pakketten importeren om logistieke regressie in Python uit te voeren:<\/span><\/p>\n Vervolgens importeren we een dataset en passen we er een logistisch regressiemodel aan toe:<\/span><\/p>\n We kunnen de functie metrics.roc_auc_score()<\/strong> gebruiken om de AUC van het model te berekenen:<\/span><\/p>\n De AUC (area under curve) voor dit specifieke model is 0,5602<\/strong> .<\/span><\/p>\n Bedenk dat een model met een AUC-score van 0,5<\/strong> niet beter is dan een model dat willekeurige gissingen doet.<\/span><\/p>\n In de meeste gevallen zou een model met een AUC-score van 0,5602<\/strong> dus als slecht worden beschouwd in het classificeren van waarnemingen in de juiste klassen.<\/span><\/p>\n De volgende tutorials bieden aanvullende informatie over ROC-curven en AUC-scores:<\/span><\/p>\n Een ROC-curve interpreteren (met voorbeelden)<\/a> Logistische regressie is een statistische methode die we gebruiken om een regressiemodel te fitten wanneer de responsvariabele binair is. Om te evalueren hoe goed een logistisch regressiemodel bij een dataset past, kunnen we naar de volgende twee statistieken kijken: Gevoeligheid: waarschijnlijkheid dat het model een positief resultaat voorspelt voor een waarneming terwijl het resultaat daadwerkelijk […]<\/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":[],"class_list":["post-2170","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Stap 1: Pakketten importeren<\/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 import<\/span> metrics\n<\/strong><\/pre>\n Stap 2: Pas het logistische regressiemodel aan<\/strong><\/span><\/h3>\n
#import dataset from CSV file on Github\n<\/span>url = \"https:\/\/raw.githubusercontent.com\/Statorials\/Python-Guides\/main\/default.csv\"\ndata = pd. read_csv<\/span> (url)\n\n#define the predictor variables and the response variable\n<\/span>X = data[[' student<\/span> ',' balance<\/span> ',' income<\/span> ']]\ny = data[' default<\/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(X,y,test_size= 0.3<\/span> ,random_state= 0<\/span> ) \n\n#instantiate the model\n<\/span>log_regression = LogisticRegression()\n\n#fit the model using the training data\n<\/span>log_regression. fit<\/span> (X_train,y_train)<\/strong><\/span><\/pre>\n Stap 3: Bereken de AUC<\/strong><\/span><\/h3>\n
#use model to predict probability that given y value is 1\n<\/span>y_pred_proba = log_regression. predict_proba<\/span> (X_test)[::, 1<\/span> ]\n\n#calculate AUC of model\n<\/span>auc = metrics. roc_auc_score<\/span> (y_test, y_pred_proba)\n\n#print AUC score\n<\/span>print<\/span> (auc)\n\n0.5602104030579559\n<\/strong><\/span><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h3>\n
Wat wordt beschouwd als een goede AUC-score?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"