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. To jest wykres przedstawiaj\u0105cy czu\u0142o\u015b\u0107 i swoisto\u015b\u0107 modelu regresji logistycznej.<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje krok po kroku, jak utworzy\u0107 i zinterpretowa\u0107 krzyw\u0105 ROC w SAS-ie.<\/span><\/p>\n Najpierw utworzymy zbi\u00f3r danych zawieraj\u0105cy informacje o nast\u0119puj\u0105cych zmiennych dla 18 uczni\u00f3w:<\/span><\/p>\n Nast\u0119pnie u\u017cyjemy logistyki proc<\/strong> , aby dopasowa\u0107 model regresji logistycznej, u\u017cywaj\u0105c \u201eakceptacji\u201d jako zmiennej odpowiedzi oraz \u201egpa\u201d i \u201edzia\u0142ania\u201d jako zmiennych predykcyjnych.<\/span><\/p>\n Okre\u015blimy zmniejszanie<\/strong> , aby SAS wiedzia\u0142, jak przewidzie\u0107 prawdopodobie\u0144stwo, \u017ce zmienna odpowiedzi przyjmie warto\u015b\u0107 1.<\/span><\/p>\n U\u017cyjemy r\u00f3wnie\u017c plots(only)=roc<\/strong> do utworzenia krzywej ROC dla modelu:<\/span> <\/p>\n Im bardziej krzywa ROC pasuje do lewego g\u00f3rnego rogu wykresu, tym lepiej model przewiduje warto\u015b\u0107 warto\u015bci odpowiedzi w zbiorze danych.<\/span><\/p>\n Z powy\u017cszego wykresu widzimy, \u017ce niebieska krzywa ROC ma tendencj\u0119 do przylegania do lewego g\u00f3rnego rogu, co wskazuje, \u017ce model regresji logistycznej dobrze radzi sobie z przewidywaniem warto\u015bci warto\u015bci odpowiedzi.<\/span><\/p>\n Aby okre\u015bli\u0107 ilo\u015bciowo, jak dobrze model regresji logistycznej pasuje do danych, mo\u017cemy obliczy\u0107 AUC<\/strong> \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 Im AUC jest bli\u017csze 1, tym lepszy model. Model z AUC r\u00f3wnym 0,5 nie jest lepszy od modelu przeprowadzaj\u0105cego losow\u0105 klasyfikacj\u0119.<\/span><\/p>\n Pod tytu\u0142em wykresu powy\u017cej widzimy, \u017ce AUC tego modelu wynosi 0,9351<\/strong> .<\/span><\/p>\n Poniewa\u017c warto\u015b\u0107 ta jest bliska jedno\u015bci, potwierdza to, \u017ce model dobrze przewiduje warto\u015b\u0107 warto\u015bci odpowiedzi.<\/span><\/p>\n Mo\u017cemy r\u00f3wnie\u017c u\u017cy\u0107 warto\u015bci AUC do por\u00f3wnania dopasowania r\u00f3\u017cnych modeli regresji logistycznej.<\/span><\/p>\n Za\u0142\u00f3\u017cmy na przyk\u0142ad, \u017ce dopasowujemy dwa r\u00f3\u017cne modele regresji logistycznej i obliczamy warto\u015bci AUC dla ka\u017cdego z nich:<\/span><\/p>\n Poniewa\u017c AUC Modelu 1 jest wi\u0119ksze, m\u00f3wi nam to, \u017ce Model 1 lepiej dopasowuje dane ni\u017c Model 2.<\/span><\/p>\n Poni\u017csze samouczki wyja\u015bniaj\u0105, jak wykonywa\u0107 inne typowe operacje w SAS-ie:<\/span><\/p>\n Jak wykona\u0107 prost\u0105 regresj\u0119 liniow\u0105 w SAS-ie<\/a> Regresja logistyczna to metoda, kt\u00f3rej mo\u017cemy u\u017cy\u0107 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-2884","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n\n
Krok 1: Utw\u00f3rz zbi\u00f3r danych<\/strong><\/span><\/h3>\n
\n
\/*create dataset*\/\n<\/span>data<\/span> my_data;\n input<\/span> acceptance gpa act;\n datalines<\/span> ;\n1 3 30\n0 1 21\n0 2 26\n0 1 24\n1 3 29\n1 3 34\n0 3 31\n1 2 29\n0 1 21\n1 2 21\n0 1 15\n1 3 32\n1 4 31\n1 4 29\n0 1 24\n1 4 29\n1 3 21\n1 4 34\n;\nrun<\/span> ;\n<\/strong><\/pre>\n Krok 2: Dopasuj model regresji logistycznej i utw\u00f3rz krzyw\u0105 ROC<\/strong><\/span><\/h3>\n
\/*fit logistic regression model & create ROC curve*\/\n<\/span>proc logistic<\/span> data<\/span> =my_data descending plots ( only<\/span> )=roc;<\/span><\/span>\n model<\/span> acceptance = gpa act;\nrun<\/span> ;<\/strong><\/span>\n<\/pre>\n![\"Krzywa](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/rocsas1.jpg\")
<\/p>\n Krok 3: Zinterpretuj krzyw\u0105 ROC<\/strong><\/span><\/h3>\n
\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak wykona\u0107 wielokrotn\u0105 regresj\u0119 liniow\u0105 w SAS-ie<\/a>
Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w SAS-ie<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"