Freq\u00fcentemente, voc\u00ea pode querer ajustar v\u00e1rios modelos de classifica\u00e7\u00e3o a um \u00fanico conjunto de dados e criar uma curva ROC para cada modelo para visualizar qual modelo tem melhor desempenho nos dados.<\/span><\/p>\n O exemplo passo a passo a seguir mostra como tra\u00e7ar v\u00e1rias curvas ROC em Python.<\/span><\/p>\n Primeiro, importaremos v\u00e1rios pacotes necess\u00e1rios para Python:<\/span><\/p>\n A seguir, usaremos a fun\u00e7\u00e3o make_classification()<\/a> do sklearn para criar um conjunto de dados falso com 1.000 linhas, quatro vari\u00e1veis preditoras e uma vari\u00e1vel de resposta bin\u00e1ria:<\/span><\/p>\n A seguir, ajustaremos um modelo de regress\u00e3o log\u00edstica e, em seguida, um modelo com gradiente aprimorado aos dados e tra\u00e7aremos a curva ROC para cada modelo no mesmo gr\u00e1fico:<\/span> <\/p>\n A linha azul mostra a curva ROC para o modelo de regress\u00e3o log\u00edstica e a linha laranja mostra a curva ROC para o modelo gradiente refor\u00e7ado.<\/span><\/p>\n Quanto mais pr\u00f3xima a curva ROC estiver do canto superior esquerdo do gr\u00e1fico, melhor o modelo ser\u00e1 capaz de 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.<\/span><\/p>\n Em nosso gr\u00e1fico, podemos ver as seguintes m\u00e9tricas de AUC para cada modelo:<\/span><\/p>\n Obviamente, o modelo com gradiente aprimorado \u00e9 mais bem-sucedido na classifica\u00e7\u00e3o dos dados em categorias do que o modelo de regress\u00e3o log\u00edstica.<\/span><\/p>\n Os tutoriais a seguir fornecem informa\u00e7\u00f5es adicionais sobre modelos de classifica\u00e7\u00e3o e curvas ROC:<\/span><\/p>\n Introdu\u00e7\u00e3o \u00e0 regress\u00e3o log\u00edstica<\/a> Uma forma de visualizar o desempenho dos modelos de classifica\u00e7\u00e3o em aprendizado de m\u00e1quina \u00e9 criar uma curva ROC , que significa curva \u201ccaracter\u00edstica operacional do receptor\u201d. Freq\u00fcentemente, voc\u00ea pode querer ajustar v\u00e1rios modelos de classifica\u00e7\u00e3o a um \u00fanico conjunto de dados e criar uma curva ROC para cada modelo para visualizar qual modelo tem […]<\/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-3029","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Passo 1: Importe os pacotes necess\u00e1rios<\/strong><\/span><\/h3>\n
from<\/span> sklearn import<\/span> metrics\nfrom<\/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. set<\/span> import<\/span> GradientBoostingClassifier\nimport<\/span> numpy as<\/span> np\nimport<\/span> matplotlib. pyplot<\/span> as<\/span> plt\n<\/strong><\/span><\/pre>\n Etapa 2: criar dados falsos<\/strong><\/span><\/h3>\n
#create fake dataset\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> )<\/strong><\/span><\/pre>\n Etapa 3: ajustar v\u00e1rios modelos e tra\u00e7ar curvas ROC<\/strong><\/span><\/h3>\n
#set up plotting area\n<\/span>plt. Figure<\/span> (0). clf<\/span> ()\n\n#fit logistic regression model and plot ROC curve\n<\/span>model = LogisticRegression()\nmodel. fit<\/span> (X_train, y_train)\ny_pred = model. predict_proba<\/span> (X_test)[:, 1]\nfpr, tpr, _ = metrics. roc_curve<\/span> (y_test, y_pred)\nauc = round(metrics. roc_auc_score<\/span> (y_test, y_pred), 4)\nplt. plot<\/span> (fpr,tpr,label=\"Logistic Regression, AUC=\"+str(auc))\n\n#fit gradient boosted model and plot ROC curve\n<\/span>model = GradientBoostingClassifier()\nmodel. fit<\/span> (X_train, y_train)\ny_pred = model. predict_proba<\/span> (X_test)[:, 1]\nfpr, tpr, _ = metrics. roc_curve<\/span> (y_test, y_pred)\nauc = round(metrics. roc_auc_score<\/span> (y_test, y_pred), 4)\nplt. plot<\/span> (fpr,tpr,label=\"Gradient Boosting, AUC=\"+str(auc))\n\n#add legend\n<\/span>plt. legend<\/span> ()<\/strong><\/span> <\/pre>\n![\"tra\u00e7ar](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipleroc1.jpg\")
<\/p>\n\n
Recursos adicionais<\/strong><\/span><\/h3>\n
Como interpretar uma curva ROC (com exemplos)<\/a>
O que \u00e9 considerado uma boa pontua\u00e7\u00e3o AUC?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"