<\/p>\n
A regress\u00e3o log\u00edstica<\/a> \u00e9 um m\u00e9todo estat\u00edstico que usamos para ajustar um modelo de regress\u00e3o quando a vari\u00e1vel de resposta \u00e9 bin\u00e1ria.<\/span><\/p>\n Para avaliar qu\u00e3o bem um modelo de regress\u00e3o log\u00edstica se ajusta a um conjunto de dados, podemos observar as duas m\u00e9tricas a seguir:<\/span><\/p>\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.<\/span><\/p>\n Este \u00e9 um gr\u00e1fico que exibe a sensibilidade ao longo do eixo y e (1 \u2013 especificidade) ao longo do eixo x.<\/span><\/p>\n Uma forma de quantificar a efic\u00e1cia do modelo de regress\u00e3o log\u00edstica na classifica\u00e7\u00e3o dos dados \u00e9 calcular a AUC<\/strong> , que significa \u201c\u00e1rea sob a curva\u201d.<\/span><\/p>\n Quanto mais pr\u00f3ximo o AUC estiver de 1, melhor ser\u00e1 o modelo.<\/span><\/p>\n O exemplo passo a passo a seguir mostra como calcular a AUC para um modelo de regress\u00e3o log\u00edstica em Python.<\/span><\/p>\n Primeiramente, importaremos os pacotes necess\u00e1rios para realizar a regress\u00e3o log\u00edstica em Python:<\/span><\/p>\n A seguir, importaremos um conjunto de dados e ajustaremos um modelo de regress\u00e3o log\u00edstica a ele:<\/span><\/p>\n Podemos usar a fun\u00e7\u00e3o m\u00e9tricas.roc_auc_score()<\/strong> para calcular a AUC do modelo:<\/span><\/p>\n A AUC (\u00e1rea sob a curva) para este modelo espec\u00edfico \u00e9 0,5602<\/strong> .<\/span><\/p>\n Lembre-se de que um modelo com pontua\u00e7\u00e3o AUC de 0,5<\/strong> n\u00e3o \u00e9 melhor do que um modelo que faz suposi\u00e7\u00f5es aleat\u00f3rias.<\/span><\/p>\n Assim, na maioria dos casos, um modelo com uma pontua\u00e7\u00e3o AUC de 0,5602<\/strong> seria considerado fraco na classifica\u00e7\u00e3o das observa\u00e7\u00f5es nas classes corretas.<\/span><\/p>\n Os tutoriais a seguir fornecem informa\u00e7\u00f5es adicionais sobre curvas ROC e pontua\u00e7\u00f5es AUC:<\/span><\/p>\n Como interpretar uma curva ROC (com exemplos)<\/a> A regress\u00e3o log\u00edstica \u00e9 um m\u00e9todo estat\u00edstico que usamos para ajustar um modelo de regress\u00e3o quando a vari\u00e1vel de resposta \u00e9 bin\u00e1ria. Para avaliar qu\u00e3o bem um modelo de regress\u00e3o log\u00edstica se ajusta a um conjunto de dados, podemos observar as duas m\u00e9tricas a seguir: Sensibilidade: probabilidade de o modelo prever um resultado positivo para […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-2169","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
Etapa 1: importar pacotes<\/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 Passo 2: Ajustar o modelo de regress\u00e3o log\u00edstica<\/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 Etapa 3: Calcule a 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 Recursos adicionais<\/strong><\/span><\/h3>\n
O que \u00e9 considerado uma boa pontua\u00e7\u00e3o AUC?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"