<\/p>\n
Regresja logistyczna<\/a> to metoda statystyczna, 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 Im AUC jest bli\u017csze 1, tym lepszy model.<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje krok po kroku, jak obliczy\u0107 AUC dla modelu regresji logistycznej w Pythonie.<\/span><\/p>\n Najpierw zaimportujemy niezb\u0119dne pakiety, aby wykona\u0107 regresj\u0119 logistyczn\u0105 w Pythonie:<\/span><\/p>\n Nast\u0119pnie zaimportujemy zbi\u00f3r danych i dopasujemy do niego model regresji logistycznej:<\/span><\/p>\n Mo\u017cemy u\u017cy\u0107 funkcji metrics.roc_auc_score()<\/strong> do obliczenia AUC modelu:<\/span><\/p>\n AUC (obszar pod krzyw\u0105) dla tego konkretnego modelu wynosi 0,5602<\/strong> .<\/span><\/p>\n Przypomnijmy, \u017ce model z wynikiem AUC wynosz\u0105cym 0,5<\/strong> nie jest lepszy od modelu, kt\u00f3ry dokonuje losowych domys\u0142\u00f3w.<\/span><\/p>\n Zatem w wi\u0119kszo\u015bci przypadk\u00f3w model z wynikiem AUC wynosz\u0105cym 0,5602<\/strong> zostanie uznany za s\u0142abo radz\u0105cy sobie z klasyfikacj\u0105 obserwacji do w\u0142a\u015bciwych klas.<\/span><\/p>\n Poni\u017csze samouczki dostarczaj\u0105 dodatkowych informacji na temat krzywych ROC i wynik\u00f3w AUC:<\/span><\/p>\n Jak interpretowa\u0107 krzyw\u0105 ROC (z przyk\u0142adami)<\/a> Regresja logistyczna to metoda statystyczna, 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: […]<\/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-2168","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n\n
Krok 1: Importuj pakiety<\/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 Krok 2: Dopasuj model regresji logistycznej<\/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 Krok 3: Oblicz 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 Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Co uwa\u017ca si\u0119 za dobry wynik AUC?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"