Precis\u00e3o<\/strong> : Previs\u00f5es positivas corretas em rela\u00e7\u00e3o ao total de previs\u00f5es positivas.<\/span><\/p>\n Isso \u00e9 calculado da seguinte forma:<\/span><\/p>\n Lembrete<\/strong> : corrigindo previs\u00f5es positivas em rela\u00e7\u00e3o ao total de positivos reais<\/span><\/p>\n Isso \u00e9 calculado da seguinte forma:<\/span><\/p>\n Para visualizar a precis\u00e3o e recupera\u00e7\u00e3o de um determinado modelo, podemos criar uma curva de recupera\u00e7\u00e3o de precis\u00e3o<\/strong> .<\/span> Esta curva mostra a compensa\u00e7\u00e3o entre precis\u00e3o e recall para diferentes limites.<\/span> <\/p>\n O exemplo passo a passo a seguir mostra como criar uma curva de recall de precis\u00e3o para um modelo de regress\u00e3o log\u00edstica em Python.<\/span><\/p>\n Primeiro, importaremos os pacotes necess\u00e1rios:<\/span><\/p>\n A seguir, criaremos um conjunto de dados e ajustaremos um modelo de regress\u00e3o log\u00edstica a ele:<\/span><\/p>\n A seguir, calcularemos a precis\u00e3o e recupera\u00e7\u00e3o do modelo e criaremos uma curva de recupera\u00e7\u00e3o de precis\u00e3o:<\/span> <\/p>\n O eixo x mostra a recupera\u00e7\u00e3o e o eixo y mostra a precis\u00e3o para diferentes limites.<\/span><\/p>\n Observe que \u00e0 medida que o recall aumenta, a precis\u00e3o diminui.<\/span><\/p>\n Isso representa o compromisso entre as duas m\u00e9tricas. Para aumentar o recall do nosso modelo, a precis\u00e3o deve diminuir e vice-versa.<\/span><\/p>\n Como realizar regress\u00e3o log\u00edstica em Python<\/a> Ao usar modelos de classifica\u00e7\u00e3o em aprendizado de m\u00e1quina, duas m\u00e9tricas que costumamos usar para avaliar a qualidade do modelo s\u00e3o a precis\u00e3o e o recall. Precis\u00e3o : Previs\u00f5es positivas corretas em rela\u00e7\u00e3o ao total de previs\u00f5es positivas. Isso \u00e9 calculado da seguinte forma: Precis\u00e3o = Verdadeiros Positivos \/ (Verdadeiros Positivos + Falsos Positivos) Lembrete […]<\/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-2170","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
\n
![\"Curva](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/precisionrecall2.png\")
<\/p>\n Etapa 1: importar pacotes
<\/strong><\/span><\/h3>\n from<\/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. metrics<\/span> import<\/span> precision_recall_curve\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n<\/strong><\/pre>\n Passo 2: Ajustar o modelo de regress\u00e3o log\u00edstica<\/strong><\/span><\/h3>\n
#create dataset with 5 predictor variables\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> )\n\n#fit logistic regression model to dataset\n<\/span>classifier = LogisticRegression()\nclassify. fit<\/span> (X_train, y_train)\n\n#use logistic regression model to make predictions\n<\/span>y_score = classify. predict_proba<\/span> (X_test)[:, 1<\/span> ]<\/strong><\/span><\/pre>\n Etapa 3: Crie a curva de recupera\u00e7\u00e3o de precis\u00e3o<\/strong><\/span><\/h3>\n
#calculate precision and recall\n<\/span>precision, recall, thresholds = precision_recall_curve(y_test, y_score)\n\n#create precision recall curve\n<\/span>fig, ax = plt. subplots<\/span> ()\nax. plot<\/span> (recall, precision, color=' purple<\/span> ')\n\n#add axis labels to plot\n<\/span>ax. set_title<\/span> (' Precision-Recall Curve<\/span> ')\nax. set_ylabel<\/span> (' Precision<\/span> ')\nax. set_xlabel<\/span> (' Recall<\/span> ')\n\n#displayplot<\/span>\nplt. show<\/span> ()<\/strong><\/span> <\/pre>\n<\/p>\n Recursos adicionais<\/strong><\/span><\/h3>\n
Como criar uma matriz de confus\u00e3o em Python<\/a>
Como interpretar uma curva ROC (com exemplos)<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"