- \n
- Sensibilidade:<\/strong> probabilidade de o modelo prever um resultado positivo para uma observa\u00e7\u00e3o quando o resultado \u00e9 realmente positivo. Isso tamb\u00e9m \u00e9 chamado de \u201ctaxa positiva verdadeira\u201d.<\/span><\/li>\n
- Especificidade:<\/strong> a probabilidade de o modelo prever um resultado negativo para uma observa\u00e7\u00e3o quando o resultado \u00e9 realmente negativo. Isso tamb\u00e9m \u00e9 chamado de \u201ctaxa verdadeiramente negativa\u201d.<\/span><\/li>\n<\/ul>\n
Uma maneira de visualizar essas duas medi\u00e7\u00f5es \u00e9 criar uma curva ROC<\/strong> , que significa curva \u201ccaracter\u00edstica operacional do receptor\u201d. Este \u00e9 um gr\u00e1fico que mostra a sensibilidade e especificidade de um modelo de regress\u00e3o log\u00edstica.<\/span><\/p>\n
O exemplo passo a passo a seguir mostra como criar e interpretar uma curva ROC em Python.<\/span><\/p>\n
Passo 1: Importe os pacotes necess\u00e1rios<\/span><\/strong><\/span><\/h3>\n
Primeiramente, importaremos os pacotes necess\u00e1rios para realizar a regress\u00e3o log\u00edstica em Python:<\/span><\/p>\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\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n<\/strong><\/pre>\nPasso 2: Ajustar o modelo de regress\u00e3o log\u00edstica<\/strong><\/span><\/h3>\n
A seguir, importaremos um conjunto de dados e ajustaremos um modelo de regress\u00e3o log\u00edstica a ele:<\/span><\/p>\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,random_state=0) \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>\nEtapa 3: desenhe a curva ROC<\/strong><\/span><\/h3>\n
A seguir, calcularemos a taxa de verdadeiros positivos e de falsos positivos e criaremos uma curva ROC usando o pacote de visualiza\u00e7\u00e3o de dados Matplotlib:<\/span> <\/p>\n
#define metrics\n<\/span>y_pred_proba = log_regression. predict_proba<\/span> (X_test)[::,1]\nfpr, tpr, _ = metrics. roc_curve<\/span> (y_test, y_pred_proba)\n\n#create ROC curve\n<\/span>plt. plot<\/span> (fpr,tpr)\nplt. ylabel<\/span> (' True Positive Rate<\/span> ')\nplt. xlabel<\/span> (' False Positive Rate<\/span> ')\nplt. show<\/span> ()<\/strong><\/span> <\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/rocpython1.png\")
<\/p>\nQuanto mais pr\u00f3xima a curva estiver do canto superior esquerdo do gr\u00e1fico, melhor o modelo ser\u00e1 capaz de classificar os dados em categorias.<\/span><\/p>\n
Como podemos ver no gr\u00e1fico acima, esse modelo de regress\u00e3o log\u00edstica faz um p\u00e9ssimo trabalho ao classificar os dados em categorias.<\/span><\/p>\n
Para quantificar isto, podemos calcular a AUC \u2013 \u00e1rea sob a curva \u2013 que nos diz quanto do gr\u00e1fico est\u00e1 sob a curva.<\/span><\/p>\n
Quanto mais pr\u00f3ximo o AUC estiver de 1, melhor ser\u00e1 o modelo. Um modelo com AUC igual a 0,5 n\u00e3o \u00e9 melhor do que um modelo que faz classifica\u00e7\u00f5es aleat\u00f3rias.<\/span><\/p>\n
Etapa 4: Calcule a AUC<\/strong><\/span><\/h3>\n
- Especificidade:<\/strong> a probabilidade de o modelo prever um resultado negativo para uma observa\u00e7\u00e3o quando o resultado \u00e9 realmente negativo. Isso tamb\u00e9m \u00e9 chamado de \u201ctaxa verdadeiramente negativa\u201d.<\/span><\/li>\n<\/ul>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/rocpython2.png\")
<\/p>\n