<\/p>\n
Wanneer we classificatiemodellen<\/a> gebruiken bij machinaal leren, gebruiken we drie algemene statistieken om de kwaliteit van het model te evalueren:<\/span><\/p>\n 1. Nauwkeurigheid<\/strong> : percentage correcte positieve voorspellingen vergeleken met het totale aantal positieve voorspellingen.<\/span><\/p>\n 2. Herinnering<\/strong> : percentage correcte positieve voorspellingen vergeleken met het totale aantal feitelijke positieve voorspellingen.<\/span><\/p>\n 3. F1-score<\/strong> : een gewogen harmonisch gemiddelde van precisie en herinnering. Hoe dichter het model bij 1 ligt, hoe beter het model.<\/span><\/p>\n Met behulp van deze drie meetgegevens kunnen we begrijpen hoe goed een bepaald classificatiemodel de uitkomsten voor bepaalderesponsvariabelen<\/a> kan voorspellen.<\/span><\/span><\/p>\n Gelukkig kunnen we bij het aanpassen van een classificatiemodel in Python de functie Classification_report()<\/strong> uit de sklearn-<\/strong> bibliotheek gebruiken om deze drie statistieken te genereren.<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u deze functie in de praktijk kunt gebruiken.<\/span><\/p>\n Voor dit voorbeeld passen we een logistisch regressiemodel toe dat punten en assists gebruikt om te voorspellen of 1.000 verschillende universiteitsbasketbalspelers wel of niet zullen worden opgeroepen voor de NBA.<\/span><\/p>\n Eerst zullen we de benodigde pakketten importeren om logistieke regressie in Python uit te voeren:<\/span><\/p>\n Vervolgens maken we het dataframe met de informatie van 1000 basketbalspelers:<\/span><\/p>\n Opmerking<\/strong> : een waarde van 0<\/strong> geeft aan dat een speler niet is opgeroepen, terwijl een waarde van 1<\/strong> aangeeft dat een speler is opgeroepen.<\/span><\/p>\n Vervolgens zullen we onze gegevens opsplitsen in een trainingsset en een testset en het logistische regressiemodel aanpassen:<\/span><\/p>\n Ten slotte zullen we de functie Classification_report()<\/strong> gebruiken om de classificatiestatistieken van ons model af te drukken:<\/span><\/p>\n Zo interpreteert u het resultaat:<\/span><\/p>\n Verduidelijking<\/strong> : van alle spelers wier model voorspelde dat ze zouden worden opgeroepen, was slechts 43%<\/strong> dat ook daadwerkelijk.<\/span><\/p>\n Ter herinnering<\/strong> : van alle daadwerkelijk opgeroepen spelers voorspelde het model dit resultaat slechts voor 36%<\/strong> correct.<\/span><\/p>\n F1-score<\/strong> : deze waarde wordt als volgt berekend:<\/span><\/p>\n Omdat deze waarde niet erg dicht bij 1 ligt, vertelt dit ons dat het model slecht voorspelt of spelers zullen worden opgeroepen of niet.<\/span><\/p>\n Ondersteuning<\/strong> : deze waarden vertellen ons eenvoudigweg hoeveel spelers tot elke klasse in de testdataset behoorden. We kunnen zien dat van de spelers in de testdataset er 160<\/strong> niet waren opgesteld en 140<\/strong> wel.<\/span><\/p>\n Opmerking<\/strong> : u kunt hier<\/a> de volledige documentatie voor de functie Classification_report()<\/strong> vinden.<\/span><\/p>\n De volgende tutorials bieden aanvullende informatie over het gebruik van classificatiemodellen in Python:<\/span><\/p>\n Hoe logistieke regressie uit te voeren in Python<\/a> Wanneer we classificatiemodellen gebruiken bij machinaal leren, gebruiken we drie algemene statistieken om de kwaliteit van het model te evalueren: 1. Nauwkeurigheid : percentage correcte positieve voorspellingen vergeleken met het totale aantal positieve voorspellingen. 2. Herinnering : percentage correcte positieve voorspellingen vergeleken met het totale aantal feitelijke positieve voorspellingen. 3. F1-score : een gewogen harmonisch […]<\/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-3121","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Voorbeeld: hoe u het classificatierapport in sklearn gebruikt<\/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
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe je een verwarringsmatrix cre\u00ebert in Python<\/a>
Hoe gebalanceerde precisie in Python te berekenen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"