Vaak wilt u mogelijk meerdere classificatiemodellen in \u00e9\u00e9n gegevensset passen en voor elk model een ROC-curve maken om te visualiseren welk model het beste op de gegevens presteert.<\/span><\/p>\n Het volgende stapsgewijze voorbeeld laat zien hoe u meerdere ROC-curven in Python kunt plotten.<\/span><\/p>\n Eerst zullen we verschillende noodzakelijke pakketten in Python importeren:<\/span><\/p>\n Vervolgens gebruiken we de functie make_classification()<\/a> van sklearn om een nepgegevensset te maken met 1000 rijen, vier voorspellende variabelen en een binaire responsvariabele:<\/span><\/p>\n Vervolgens passen we een logistisch regressiemodel en vervolgens een gradi\u00ebnt-verbeterd model aan de gegevens toe en plotten we de ROC-curve voor elk model op dezelfde plot:<\/span> <\/p>\n De blauwe lijn toont de ROC-curve voor het logistische regressiemodel en de oranje lijn toont de ROC-curve voor het gradi\u00ebntversterkte model.<\/span><\/p>\n Hoe dichter een ROC-curve bij de linkerbovenhoek van de grafiek past, hoe beter het model de gegevens in categorie\u00ebn kan indelen.<\/span><\/p>\n Om dit te kwantificeren kunnen we de AUC (gebied onder de curve) berekenen, die ons vertelt hoeveel van de grafiek zich onder de curve bevindt.<\/span><\/p>\n Hoe dichter de AUC bij 1 ligt, hoe beter het model.<\/span><\/p>\n Uit ons diagram kunnen we voor elk model de volgende AUC-statistieken zien:<\/span><\/p>\n Het is duidelijk dat het gradi\u00ebnt-verbeterde model succesvoller is in het classificeren van de gegevens in categorie\u00ebn dan het logistische regressiemodel.<\/span><\/p>\n De volgende tutorials bieden aanvullende informatie over classificatiemodellen en ROC-curven:<\/span><\/p>\n Inleiding tot logistieke regressie<\/a> E\u00e9n manier om de prestaties van classificatiemodellen in machine learning te visualiseren is door een ROC-curve te cre\u00ebren, wat staat voor \u2018receiver operating karakteristieke\u2019 curve. Vaak wilt u mogelijk meerdere classificatiemodellen in \u00e9\u00e9n gegevensset passen en voor elk model een ROC-curve maken om te visualiseren welk model het beste op de gegevens presteert. Het volgende […]<\/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-3030","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Stap 1: Importeer de benodigde pakketten<\/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 Stap 2: Maak valse gegevens aan<\/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 Stap 3: Pas meerdere modellen aan en teken ROC-curven<\/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![\"plot](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipleroc1.jpg\")
<\/p>\n\n
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Een ROC-curve interpreteren (met voorbeelden)<\/a>
Wat wordt beschouwd als een goede AUC-score?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"