Cz\u0119sto mo\u017cesz chcie\u0107 dopasowa\u0107 wiele modeli klasyfikacji do jednego zbioru danych i utworzy\u0107 krzyw\u0105 ROC dla ka\u017cdego modelu, aby zwizualizowa\u0107, kt\u00f3ry model najlepiej radzi sobie z danymi.<\/span><\/p>\n Poni\u017cszy przyk\u0142ad krok po kroku pokazuje, jak wykre\u015bli\u0107 wiele krzywych ROC w Pythonie.<\/span><\/p>\n Najpierw zaimportujemy kilka niezb\u0119dnych pakiet\u00f3w do Pythona:<\/span><\/p>\n Nast\u0119pnie u\u017cyjemy funkcji make_classification()<\/a> sklearna, aby utworzy\u0107 fa\u0142szywy zbi\u00f3r danych zawieraj\u0105cy 1000 wierszy, cztery zmienne predykcyjne i binarn\u0105 zmienn\u0105 odpowiedzi:<\/span><\/p>\n Nast\u0119pnie dopasujemy do danych model regresji logistycznej, a nast\u0119pnie model ze wzmocnionym gradientem i wykre\u015blimy krzyw\u0105 ROC dla ka\u017cdego modelu na tym samym wykresie:<\/span> <\/p>\n Niebieska linia przedstawia krzyw\u0105 ROC dla modelu regresji logistycznej, a pomara\u0144czowa linia przedstawia krzyw\u0105 ROC dla modelu ze wzmocnionym gradientem.<\/span><\/p>\n Im bardziej krzywa ROC pasuje do lewego g\u00f3rnego rogu wykresu, tym lepiej model jest w stanie sklasyfikowa\u0107 dane w 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 Im AUC jest bli\u017csze 1, tym lepszy model.<\/span><\/p>\n Z naszego wykresu mo\u017cemy zobaczy\u0107 nast\u0119puj\u0105ce wska\u017aniki AUC dla ka\u017cdego modelu:<\/span><\/p>\n Oczywi\u015bcie model ze wzmocnieniem gradientowym jest skuteczniejszy w klasyfikacji danych na kategorie ni\u017c model regresji logistycznej.<\/span><\/p>\n Poni\u017csze samouczki zawieraj\u0105 dodatkowe informacje na temat modeli klasyfikacji i krzywych ROC:<\/span><\/p>\n Wprowadzenie do regresji logistycznej<\/a> Jednym ze sposob\u00f3w wizualizacji wydajno\u015bci modeli klasyfikacji w uczeniu maszynowym jest utworzenie krzywej ROC , kt\u00f3ra oznacza krzyw\u0105 \u201echarakterystyki operacyjnej odbiornika\u201d. Cz\u0119sto mo\u017cesz chcie\u0107 dopasowa\u0107 wiele modeli klasyfikacji do jednego zbioru danych i utworzy\u0107 krzyw\u0105 ROC dla ka\u017cdego modelu, aby zwizualizowa\u0107, kt\u00f3ry model najlepiej radzi sobie z danymi. Poni\u017cszy przyk\u0142ad krok po kroku pokazuje, jak […]<\/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-3028","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Krok 1: Zaimportuj niezb\u0119dne pakiety<\/strong><\/span><\/h3>\n
from<\/span> sklearn import<\/span> metrics\nfrom<\/span> sklearn import<\/span> datasets\nfrom<\/span> sklearn. model_selection<\/span> import<\/span> train_test_split\nfrom<\/span> sklearn. linear_model<\/span> import<\/span> LogisticRegression\nfrom<\/span> sklearn. set<\/span> import<\/span> GradientBoostingClassifier\nimport<\/span> numpy as<\/span> np\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n<\/strong><\/span><\/pre>\n Krok 2: Utw\u00f3rz fa\u0142szywe dane<\/strong><\/span><\/h3>\n
#create fake dataset\n<\/span>X, y = datasets. make_classification<\/span> (n_samples= 1000<\/span> ,\n n_features= 4<\/span> ,\n n_informative= 3<\/span> ,\n n_redundant= 1<\/span> ,\n random_state= 0<\/span> )\n\n#split dataset into training and testing set\n<\/span>X_train, X_test, y_train, y_test = train_test_split(X, y, test_size= .3<\/span> , random_state= 0<\/span> )<\/strong><\/span><\/pre>\n Krok 3: Dopasuj wiele modeli i wykre\u015bl krzywe ROC<\/strong><\/span><\/h3>\n
#set up plotting area\n<\/span>plt. Figure<\/span> (0). clf<\/span> ()\n\n#fit logistic regression model and plot ROC curve\n<\/span>model = LogisticRegression()\nmodel. fit<\/span> (X_train, y_train)\ny_pred = model. predict_proba<\/span> (X_test)[:, 1]\nfpr, tpr, _ = metrics. roc_curve<\/span> (y_test, y_pred)\nauc = round(metrics. roc_auc_score<\/span> (y_test, y_pred), 4)\nplt. plot<\/span> (fpr,tpr,label=\"Logistic Regression, AUC=\"+str(auc))\n\n#fit gradient boosted model and plot ROC curve\n<\/span>model = GradientBoostingClassifier()\nmodel. fit<\/span> (X_train, y_train)\ny_pred = model. predict_proba<\/span> (X_test)[:, 1]\nfpr, tpr, _ = metrics. roc_curve<\/span> (y_test, y_pred)\nauc = round(metrics. roc_auc_score<\/span> (y_test, y_pred), 4)\nplt. plot<\/span> (fpr,tpr,label=\"Gradient Boosting, AUC=\"+str(auc))\n\n#add legend\n<\/span>plt. legend<\/span> ()<\/strong><\/span> <\/pre>\n![\"wykre\u015bl](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipleroc1.jpg\")
<\/p>\n\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak interpretowa\u0107 krzyw\u0105 ROC (z przyk\u0142adami)<\/a>
Co uwa\u017ca si\u0119 za dobry wynik AUC?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"