- \n
- Czu\u0142o\u015b\u0107:<\/strong> prawdopodobie\u0144stwo, \u017ce model przewiduje pozytywny wynik obserwacji, gdy wynik jest rzeczywi\u015bcie pozytywny. Nazywa si\u0119 to r\u00f3wnie\u017c \u201eprawdziwie dodatni\u0105 stop\u0105 procentow\u0105\u201d.<\/span><\/li>\n
- Specyficzno\u015b\u0107:<\/strong> prawdopodobie\u0144stwo, \u017ce model przewiduje negatywny wynik obserwacji, gdy wynik jest faktycznie negatywny. Nazywa si\u0119 to r\u00f3wnie\u017c \u201eprawdziwie ujemn\u0105 stop\u0105\u201d.<\/span><\/li>\n<\/ul>\n
Jednym ze sposob\u00f3w wizualizacji tych dw\u00f3ch pomiar\u00f3w jest utworzenie krzywej ROC<\/strong> , kt\u00f3ra oznacza krzyw\u0105 \u201echarakterystyki dzia\u0142ania odbiornika\u201d. To jest wykres przedstawiaj\u0105cy czu\u0142o\u015b\u0107 i swoisto\u015b\u0107 modelu regresji logistycznej.<\/span><\/p>\n
Poni\u017cszy przyk\u0142ad krok po kroku pokazuje, jak utworzy\u0107 i zinterpretowa\u0107 krzyw\u0105 ROC w Pythonie.<\/span><\/p>\n
Krok 1: Zaimportuj niezb\u0119dne pakiety<\/span><\/strong><\/span><\/h3>\n
Najpierw zaimportujemy niezb\u0119dne pakiety, aby wykona\u0107 regresj\u0119 logistyczn\u0105 w Pythonie:<\/span><\/p>\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\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n<\/strong><\/pre>\nKrok 2: Dopasuj model regresji logistycznej<\/strong><\/span><\/h3>\n
Nast\u0119pnie zaimportujemy zbi\u00f3r danych i dopasujemy do niego model regresji logistycznej:<\/span><\/p>\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,random_state=0) \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>\nKrok 3: Narysuj krzyw\u0105 ROC<\/strong><\/span><\/h3>\n
Nast\u0119pnie obliczymy wsp\u00f3\u0142czynnik prawdziwie dodatni i wsp\u00f3\u0142czynnik fa\u0142szywie dodatni i utworzymy krzyw\u0105 ROC za pomoc\u0105 pakietu wizualizacji danych Matplotlib:<\/span> <\/p>\n
#define metrics\n<\/span>y_pred_proba = log_regression. predict_proba<\/span> (X_test)[::,1]\nfpr, tpr, _ = metrics. roc_curve<\/span> (y_test, y_pred_proba)\n\n#create ROC curve\n<\/span>plt. plot<\/span> (fpr,tpr)\nplt. ylabel<\/span> (' True Positive Rate<\/span> ')\nplt. xlabel<\/span> (' False Positive Rate<\/span> ')\nplt. show<\/span> ()<\/strong><\/span> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/rocpython1.png\")
<\/p>\nIm bardziej krzywa pasuje do lewego g\u00f3rnego rogu wykresu, tym lepiej model jest w stanie sklasyfikowa\u0107 dane w kategorie.<\/span><\/p>\n
Jak wida\u0107 na powy\u017cszym wykresie, ten model regresji logistycznej do\u015b\u0107 s\u0142abo radzi sobie z sortowaniem danych na kategorie.<\/span><\/p>\n
Aby to okre\u015bli\u0107 ilo\u015bciowo, mo\u017cemy obliczy\u0107 AUC \u2013 obszar pod krzyw\u0105 \u2013 kt\u00f3ry m\u00f3wi nam, jaka cz\u0119\u015b\u0107 wykresu znajduje si\u0119 pod krzyw\u0105.<\/span><\/p>\n
- Specyficzno\u015b\u0107:<\/strong> prawdopodobie\u0144stwo, \u017ce model przewiduje negatywny wynik obserwacji, gdy wynik jest faktycznie negatywny. Nazywa si\u0119 to r\u00f3wnie\u017c \u201eprawdziwie ujemn\u0105 stop\u0105\u201d.<\/span><\/li>\n<\/ul>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/rocpython2.png\")
<\/p>\n