<\/p>\n
Kiedy u\u017cywamy modeli klasyfikacyjnych<\/a> w uczeniu maszynowym, u\u017cywamy trzech typowych wska\u017anik\u00f3w do oceny jako\u015bci modelu:<\/span><\/p>\n 1. Dok\u0142adno\u015b\u0107<\/strong> : Procent prawid\u0142owych pozytywnych przewidywa\u0144 w por\u00f3wnaniu do wszystkich pozytywnych przewidywa\u0144.<\/span><\/p>\n 2. Przypomnienie<\/strong> : Procent prawid\u0142owych pozytywnych przewidywa\u0144 w por\u00f3wnaniu do ca\u0142kowitej liczby faktycznie pozytywnych przewidywa\u0144.<\/span><\/p>\n 3. Wynik F1<\/strong> : \u015arednia wa\u017cona harmoniczna precyzji i zapami\u0119tywania. Im model jest bli\u017cszy 1, tym jest on lepszy.<\/span><\/p>\n Korzystaj\u0105c z tych trzech metryk, mo\u017cemy zrozumie\u0107, jak dobrze dany model klasyfikacji jest w stanie przewidzie\u0107 wyniki dla okre\u015blonychzmiennych odpowiedzi<\/a> .<\/span><\/span><\/p>\n Na szcz\u0119\u015bcie podczas dopasowywania modelu klasyfikacji w Pythonie mo\u017cemy u\u017cy\u0107 funkcjiclassification_report ()<\/strong> z biblioteki sklearn<\/strong> , aby wygenerowa\u0107 te trzy metryki.<\/span><\/p>\n Poni\u017cszy przyk\u0142ad pokazuje, jak w praktyce wykorzysta\u0107 t\u0119 funkcj\u0119.<\/span><\/p>\n W tym przyk\u0142adzie dopasujemy model regresji logistycznej, kt\u00f3ry wykorzystuje punkty i asysty, aby przewidzie\u0107, czy 1000 r\u00f3\u017cnych koszykarzy z college’u zostanie powo\u0142anych do NBA.<\/span><\/p>\n Najpierw zaimportujemy niezb\u0119dne pakiety, aby wykona\u0107 regresj\u0119 logistyczn\u0105 w Pythonie:<\/span><\/p>\n Nast\u0119pnie utworzymy ramk\u0119 danych zawieraj\u0105c\u0105 informacje o 1000 koszykarzach:<\/span><\/p>\n Uwaga<\/strong> : Warto\u015b\u0107 0<\/strong> oznacza, \u017ce gracz nie zosta\u0142 wybrany, natomiast warto\u015b\u0107 1<\/strong> oznacza, \u017ce gracz zosta\u0142 wybrany.<\/span><\/p>\n Nast\u0119pnie podzielimy nasze dane na zbi\u00f3r ucz\u0105cy i testowy oraz dopasujemy model regresji logistycznej:<\/span><\/p>\n Na koniec u\u017cyjemy funkcjiclassification_report ()<\/strong> do wydrukowania metryk klasyfikacyjnych naszego modelu:<\/span><\/p>\n Oto jak zinterpretowa\u0107 wynik:<\/span><\/p>\n Wyja\u015bnienie<\/strong> : spo\u015br\u00f3d wszystkich graczy, kt\u00f3rych model przewidywa\u0142, \u017ce zostan\u0105 powo\u0142ani do draftu, faktycznie tak by\u0142o tylko 43%<\/strong> .<\/span><\/p>\n Przypomnienie<\/strong> : spo\u015br\u00f3d wszystkich graczy, kt\u00f3rzy zostali faktycznie powo\u0142ani do draftu, model poprawnie przewidzia\u0142 ten wynik tylko dla 36%<\/strong> z nich.<\/span><\/p>\n Wynik F1<\/strong> : Ta warto\u015b\u0107 jest obliczana w nast\u0119puj\u0105cy spos\u00f3b:<\/span><\/p>\n Poniewa\u017c warto\u015b\u0107 ta nie jest zbyt bliska 1, m\u00f3wi nam to, \u017ce model s\u0142abo przewiduje, czy gracze zostan\u0105 powo\u0142ani do draftu, czy nie.<\/span><\/p>\n Wsparcie<\/strong> : Te warto\u015bci po prostu m\u00f3wi\u0105 nam, ilu graczy nale\u017ca\u0142o do ka\u017cdej klasy w testowym zbiorze danych. Widzimy, \u017ce spo\u015br\u00f3d graczy w testowym zbiorze danych 160<\/strong> nie zosta\u0142o wybranych, a 140<\/strong> tak.<\/span><\/p>\n Uwaga<\/strong> : Pe\u0142n\u0105 dokumentacj\u0119 funkcjiclassification_report()<\/strong> mo\u017cna znale\u017a\u0107 tutaj<\/a> .<\/span><\/p>\n Poni\u017csze tutoriale dostarczaj\u0105 dodatkowych informacji na temat u\u017cywania modeli klasyfikacji w Pythonie:<\/span><\/p>\n Jak przeprowadzi\u0107 regresj\u0119 logistyczn\u0105 w Pythonie<\/a> Kiedy u\u017cywamy modeli klasyfikacyjnych w uczeniu maszynowym, u\u017cywamy trzech typowych wska\u017anik\u00f3w do oceny jako\u015bci modelu: 1. Dok\u0142adno\u015b\u0107 : Procent prawid\u0142owych pozytywnych przewidywa\u0144 w por\u00f3wnaniu do wszystkich pozytywnych przewidywa\u0144. 2. Przypomnienie : Procent prawid\u0142owych pozytywnych przewidywa\u0144 w por\u00f3wnaniu do ca\u0142kowitej liczby faktycznie pozytywnych przewidywa\u0144. 3. Wynik F1 : \u015arednia wa\u017cona harmoniczna precyzji i zapami\u0119tywania. Im model […]<\/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-3119","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n\n
Przyk\u0142ad: Jak korzysta\u0107 z raportu klasyfikacji w sklearn<\/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. metrics<\/span> import<\/span> classification_report<\/strong>\n<\/pre>\n #make this example reproducible\n<\/span>n.p. random<\/span> . seeds<\/span> (1)\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' points<\/span> ': np. random<\/span> . randint<\/span> (30, size=1000),\n ' assists<\/span> ': np. random<\/span> . randint<\/span> (12, size=1000),\n ' drafted<\/span> ': np. random<\/span> . randint<\/span> (2, size=1000)})\n\n#view DataFrame\n<\/span>df. head<\/span> ()\n\n\tpoints assists drafted\n0 5 1 1\n1 11 8 0\n2 12 4 1\n3 8 7 0\n4 9 0 0\n<\/strong><\/span><\/pre>\n #define the predictor variables and the response variable\n<\/span>X = df[[' points<\/span> ', ' assists<\/span> ']]\ny = df[' drafted<\/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<\/span> (X,y,test_size=0.3,random_state=0) \n\n<\/strong>#instantiate the model\n<\/span>logistic_regression = LogisticRegression()\n\n#fit the model using the training data\n<\/span>logistic_regression. fit<\/span> (X_train,y_train)\n\n#use model to make predictions on test data\n<\/span>y_pred = logistic_regression. predict<\/span> (X_test)<\/strong><\/pre>\n #print classification report for model\nprint<\/span> (classification_report(y_test, y_pred))\n\n precision recall f1-score support\n\n 0 0.51 0.58 0.54 160\n 1 0.43 0.36 0.40 140\n\n accuracy 0.48 300\n macro avg 0.47 0.47 0.47 300\nweighted avg 0.47 0.48 0.47 300\n<\/span><\/span><\/strong><\/pre>\n\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak utworzy\u0107 macierz zamieszania w Pythonie<\/a>
Jak obliczy\u0107 zr\u00f3wnowa\u017con\u0105 precyzj\u0119 w Pythonie<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"