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. 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 no SAS.<\/span><\/p>\n Primeiro, criaremos um conjunto de dados contendo informa\u00e7\u00f5es sobre as seguintes vari\u00e1veis para 18 alunos:<\/span><\/p>\n A seguir, usaremos proc Logistics<\/strong> para ajustar o modelo de regress\u00e3o log\u00edstica, usando \u201caceita\u00e7\u00e3o\u201d como vari\u00e1vel de resposta e \u201cgpa\u201d e \u201cagir\u201d como vari\u00e1veis preditoras.<\/span><\/p>\n Especificaremos a diminui\u00e7\u00e3o<\/strong> para que o SAS saiba como prever a probabilidade de a vari\u00e1vel resposta assumir o valor 1.<\/span><\/p>\n Tamb\u00e9m usaremos plots(only)=roc<\/strong> para criar a curva ROC para o modelo:<\/span> <\/p>\n Quanto mais pr\u00f3xima a curva ROC estiver do canto superior esquerdo do gr\u00e1fico, melhor o modelo prev\u00ea o valor dos valores de resposta no conjunto de dados.<\/span><\/p>\n No gr\u00e1fico acima, podemos ver que a curva ROC azul tende a abra\u00e7ar o canto superior esquerdo, indicando que o modelo de regress\u00e3o log\u00edstica est\u00e1 fazendo um bom trabalho ao prever o valor dos valores de resposta.<\/span><\/p>\n Para quantificar qu\u00e3o bem o modelo de regress\u00e3o log\u00edstica se ajusta aos dados, podemos calcular a AUC<\/strong> \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 Sob o t\u00edtulo do gr\u00e1fico acima, podemos ver que a AUC deste modelo \u00e9 0,9351<\/strong> .<\/span><\/p>\n Como esse valor \u00e9 pr\u00f3ximo de um, isso confirma que o modelo prev\u00ea bem o valor dos valores de resposta.<\/span><\/p>\n Tamb\u00e9m podemos usar o valor AUC para comparar o ajuste de diferentes modelos de regress\u00e3o log\u00edstica.<\/span><\/p>\n Por exemplo, suponha que ajustemos dois modelos de regress\u00e3o log\u00edstica diferentes e calculemos os valores de AUC para cada um:<\/span><\/p>\n Como a AUC do Modelo 1 \u00e9 maior, isso nos diz que o Modelo 1 faz um melhor trabalho de ajuste dos dados do que o Modelo 2.<\/span><\/p>\n Os tutoriais a seguir explicam como realizar outras opera\u00e7\u00f5es comuns no SAS:<\/span><\/p>\n Como realizar regress\u00e3o linear simples no SAS<\/a> A regress\u00e3o log\u00edstica \u00e9 um m\u00e9todo que podemos usar 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-2885","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
Etapa 1: crie o conjunto de dados<\/strong><\/span><\/h3>\n
\n
\/*create dataset*\/\n<\/span>data<\/span> my_data;\n input<\/span> acceptance gpa act;\n datalines<\/span> ;\n1 3 30\n0 1 21\n0 2 26\n0 1 24\n1 3 29\n1 3 34\n0 3 31\n1 2 29\n0 1 21\n1 2 21\n0 1 15\n1 3 32\n1 4 31\n1 4 29\n0 1 24\n1 4 29\n1 3 21\n1 4 34\n;\nrun<\/span> ;\n<\/strong><\/pre>\n Passo 2: Ajustar o modelo de regress\u00e3o log\u00edstica e criar uma curva ROC<\/strong><\/span><\/h3>\n
\/*fit logistic regression model & create ROC curve*\/\n<\/span>proc logistic<\/span> data<\/span> =my_data descending plots ( only<\/span> )=roc;<\/span><\/span>\n model<\/span> acceptance = gpa act;\nrun<\/span> ;<\/strong><\/span>\n<\/pre>\n![\"Curva](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/rocsas1.jpg\")
<\/p>\n Passo 3: Interprete a curva ROC<\/strong><\/span><\/h3>\n
\n
Recursos adicionais<\/strong><\/span><\/h3>\n
Como realizar regress\u00e3o linear m\u00faltipla no SAS<\/a>
Como realizar regress\u00e3o log\u00edstica no SAS<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"