<\/p>\n
Regresja logistyczna<\/a> to metoda, kt\u00f3rej u\u017cywamy do dopasowania modelu regresji, gdy zmienna odpowiedzi jest binarna.<\/span><\/p>\n Aby oceni\u0107, jak dobrze model regresji logistycznej pasuje do zbioru danych, mo\u017cemy przyjrze\u0107 si\u0119 nast\u0119puj\u0105cym dw\u00f3m metrykom:<\/span><\/p>\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.<\/span><\/p>\n Jest to wykres przedstawiaj\u0105cy czu\u0142o\u015b\u0107 wzd\u0142u\u017c osi y i (1 \u2013 swoisto\u015b\u0107) wzd\u0142u\u017c osi x.<\/span><\/p>\n Jednym ze sposob\u00f3w ilo\u015bciowego okre\u015blenia skuteczno\u015bci modelu regresji logistycznej w klasyfikacji danych jest obliczenie AUC<\/strong> , co oznacza \u201eobszar pod krzyw\u0105\u201d.<\/span><\/p>\n Warto\u015b\u0107 AUC waha si\u0119 od 0 do 1. Model, kt\u00f3ry ma AUC wynosz\u0105cy 1, jest w stanie doskonale klasyfikowa\u0107 obserwacje na klasy, podczas gdy model, kt\u00f3ry ma AUC wynosz\u0105cy 0,5, nie jest lepszy od modelu, kt\u00f3ry dokonuje losowych domys\u0142\u00f3w.<\/span><\/p>\n Pytanie, kt\u00f3re uczniowie cz\u0119sto zadaj\u0105 na temat AUC, brzmi:<\/span><\/p>\n Jaki jest dobry wynik AUC?<\/strong><\/em><\/span><\/p>\n Odpowied\u017a:<\/span><\/p>\n Nie ma okre\u015blonego progu<\/span> okre\u015blaj\u0105cego, co uwa\u017ca si\u0119 za dobry wynik AUC.<\/strong><\/span><\/p>\n Oczywi\u015bcie im wy\u017cszy wynik AUC, tym model ma wi\u0119ksz\u0105 zdolno\u015b\u0107 klasyfikowania obserwacji na klasy.<\/span><\/p>\n Wiemy te\u017c, \u017ce model z wynikiem AUC wynosz\u0105cym 0,5 nie jest lepszy od modelu, kt\u00f3ry dokonuje przypadkowych domys\u0142\u00f3w.<\/span><\/p>\n Nie ma jednak magicznej liczby, kt\u00f3ra pozwala\u0142aby okre\u015bli\u0107, czy wynik AUC jest dobry, czy z\u0142y.<\/span><\/p>\n Je\u015bli musimy<\/em> sklasyfikowa\u0107 pewne wyniki jako dobre lub z\u0142e, mo\u017cemy odwo\u0142a\u0107 si\u0119 do nast\u0119puj\u0105cej praktycznej regu\u0142y Hosmera i Lemeshow<\/span> w Applied Logistic Regression<\/em><\/a> (s. 177):<\/span><\/p>\n Wed\u0142ug tych standard\u00f3w model z wynikiem AUC poni\u017cej 0,7 zostanie uznany za s\u0142aby, a ka\u017cdy model wy\u017cszy zostanie uznany za akceptowalny lub lepszy.<\/span><\/p>\n Nale\u017cy pami\u0119ta\u0107, \u017ce to, co jest uwa\u017cane za \u201edobry\u201d wynik AUC, r\u00f3\u017cni si\u0119 w zale\u017cno\u015bci od bran\u017cy.<\/span><\/p>\n Na przyk\u0142ad w medycynie badacze cz\u0119sto szukaj\u0105 wynik\u00f3w AUC powy\u017cej 0,95, poniewa\u017c koszt pope\u0142nienia b\u0142\u0119du jest bardzo wysoki.<\/span><\/p>\n Na przyk\u0142ad, je\u015bli mamy model regresji logistycznej, kt\u00f3ry przewiduje, czy u pacjenta zachoruje na nowotw\u00f3r, koszt pope\u0142nienia b\u0142\u0119du (fa\u0142szywego poinformowania pacjenta, \u017ce nie ma raka, a potem, \u017ce ma raka) jest tak wysoki, \u017ce chcemy model, kt\u00f3ry sprawdza si\u0119 niemal za ka\u017cdym razem.<\/span><\/p>\n I odwrotnie, w innych bran\u017cach, takich jak marketing, ni\u017cszy wynik AUC mo\u017ce by\u0107 akceptowalny dla modelu.<\/span><\/p>\n Na przyk\u0142ad, je\u015bli mamy model, kt\u00f3ry przewiduje, czy klient b\u0119dzie sta\u0142ym klientem, cena za pomy\u0142k\u0119 nie zmienia \u017cycia, wi\u0119c model z AUC tak niskim jak 0,6 mo\u017ce by\u0107 nadal przydatny.<\/span><\/p>\n W warunkach rzeczywistych cz\u0119sto por\u00f3wnujemy wyniki AUC nowych modeli regresji logistycznej z wynikiem AUC aktualnie u\u017cywanego modelu.<\/span><\/p>\n Za\u0142\u00f3\u017cmy na przyk\u0142ad, \u017ce firma korzysta z modelu regresji logistycznej, aby przewidzie\u0107, czy klienci b\u0119d\u0105 sta\u0142ymi klientami.<\/span><\/p>\n Je\u015bli bie\u017c\u0105cy model ma wynik AUC r\u00f3wny 0,6 i opracujesz nowy model, kt\u00f3ry ma AUC 0,65, w\u00f3wczas nowy opracowany model b\u0119dzie lepszy, nawet je\u015bli zapewnia jedynie niewielk\u0105 popraw\u0119 i zosta\u0142by uznany przez Hosmera i Lemeshowa za \u201es\u0142aby\u201d standardy.<\/span><\/p>\n Poni\u017csze samouczki zawieraj\u0105 dodatkowe informacje na temat tworzenia i interpretowania krzywych ROC i wynik\u00f3w AUC:<\/span><\/p>\n Jak interpretowa\u0107 krzyw\u0105 ROC (z przyk\u0142adami)<\/a> Regresja logistyczna to metoda, kt\u00f3rej u\u017cywamy do dopasowania modelu regresji, gdy zmienna odpowiedzi jest binarna. Aby oceni\u0107, jak dobrze model regresji logistycznej pasuje do zbioru danych, mo\u017cemy przyjrze\u0107 si\u0119 nast\u0119puj\u0105cym dw\u00f3m metrykom: Czu\u0142o\u015b\u0107: 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. Specyficzno\u015b\u0107: prawdopodobie\u0144stwo, […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-2167","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n\n
Jaki jest dobry wynik AUC?<\/strong><\/span><\/h3>\n
\n
\u201eDobry\u201d wynik AUC r\u00f3\u017cni si\u0119 w zale\u017cno\u015bci od bran\u017cy<\/strong><\/span><\/h3>\n
Por\u00f3wnaj wyniki AUC z bie\u017c\u0105cym modelem<\/strong><\/span><\/h3>\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak utworzy\u0107 krzyw\u0105 ROC w Pythonie<\/a>
Jak utworzy\u0107 krzyw\u0105 ROC w R<\/a>
Jak obliczy\u0107 AUC w R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"