<\/p>\n
Quando usamos modelos de classifica\u00e7\u00e3o<\/a> em aprendizado de m\u00e1quina, usamos tr\u00eas m\u00e9tricas comuns para avaliar a qualidade do modelo:<\/span><\/p>\n 1. Precis\u00e3o<\/strong> : Porcentagem de previs\u00f5es positivas corretas em compara\u00e7\u00e3o com o total de previs\u00f5es positivas.<\/span><\/p>\n 2. Recall<\/strong> : Porcentagem de previs\u00f5es positivas corretas em compara\u00e7\u00e3o com o total de positivos reais.<\/span><\/p>\n 3. Pontua\u00e7\u00e3o F1<\/strong> : Uma m\u00e9dia harm\u00f4nica ponderada de precis\u00e3o e recupera\u00e7\u00e3o. Quanto mais pr\u00f3ximo o modelo estiver de 1, melhor ser\u00e1 o modelo.<\/span><\/p>\n Usando essas tr\u00eas m\u00e9tricas, podemos entender at\u00e9 que ponto um determinado modelo de classifica\u00e7\u00e3o \u00e9 capaz de prever resultados para determinadas vari\u00e1veis de resposta<\/a> .<\/span><\/span><\/p>\n Felizmente, ao ajustar um modelo de classifica\u00e7\u00e3o em Python, podemos usar a fun\u00e7\u00e3o rating_report()<\/strong> da biblioteca sklearn<\/strong> para gerar essas tr\u00eas m\u00e9tricas.<\/span><\/p>\n O exemplo a seguir mostra como usar esta fun\u00e7\u00e3o na pr\u00e1tica.<\/span><\/p>\n Para este exemplo, ajustaremos um modelo de regress\u00e3o log\u00edstica que usa pontos e assist\u00eancias para prever se 1.000 jogadores diferentes de basquete universit\u00e1rio ser\u00e3o ou n\u00e3o convocados para a NBA.<\/span><\/p>\n Primeiramente, importaremos os pacotes necess\u00e1rios para realizar a regress\u00e3o log\u00edstica em Python:<\/span><\/p>\n A seguir, criaremos o data frame contendo as informa\u00e7\u00f5es de 1000 jogadores de basquete:<\/span><\/p>\n Nota<\/strong> : Um valor 0<\/strong> indica que um jogador n\u00e3o foi draftado, enquanto um valor 1<\/strong> indica que um jogador foi draftado.<\/span><\/p>\n A seguir, dividiremos nossos dados em um conjunto de treinamento e um conjunto de teste e ajustaremos o modelo de regress\u00e3o log\u00edstica:<\/span><\/p>\n Por fim, usaremos a fun\u00e7\u00e3o rating_report()<\/strong> para imprimir as m\u00e9tricas de classifica\u00e7\u00e3o do nosso modelo:<\/span><\/p>\n Veja como interpretar o resultado:<\/span><\/p>\n Esclarecimento<\/strong> : de todos os jogadores cujo modelo previa que seriam convocados, apenas 43%<\/strong> o foram.<\/span><\/p>\n Lembrete<\/strong> : entre todos os jogadores efetivamente convocados, o modelo previu corretamente esse resultado apenas para 36%<\/strong> deles.<\/span><\/p>\n Pontua\u00e7\u00e3o F1<\/strong> : Este valor \u00e9 calculado da seguinte forma:<\/span><\/p>\n Como este valor n\u00e3o est\u00e1 muito pr\u00f3ximo de 1, isso nos diz que o modelo est\u00e1 prevendo mal se os jogadores ser\u00e3o convocados ou n\u00e3o.<\/span><\/p>\n Suporte<\/strong> : Esses valores simplesmente nos dizem quantos jogadores pertenciam a cada classe no conjunto de dados de teste. Podemos ver que dos jogadores no conjunto de dados de teste, 160<\/strong> n\u00e3o foram draftados e 140<\/strong> foram.<\/span><\/p>\n Nota<\/strong> : Voc\u00ea pode encontrar a documenta\u00e7\u00e3o completa para a fun\u00e7\u00e3o rating_report()<\/strong> aqui<\/a> .<\/span><\/p>\n Os tutoriais a seguir fornecem informa\u00e7\u00f5es adicionais sobre o uso de modelos de classifica\u00e7\u00e3o em Python:<\/span><\/p>\n Como realizar regress\u00e3o log\u00edstica em Python<\/a> Quando usamos modelos de classifica\u00e7\u00e3o em aprendizado de m\u00e1quina, usamos tr\u00eas m\u00e9tricas comuns para avaliar a qualidade do modelo: 1. Precis\u00e3o : Porcentagem de previs\u00f5es positivas corretas em compara\u00e7\u00e3o com o total de previs\u00f5es positivas. 2. Recall : Porcentagem de previs\u00f5es positivas corretas em compara\u00e7\u00e3o com o total de positivos reais. 3. Pontua\u00e7\u00e3o F1 : […]<\/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-3120","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
Exemplo: Como usar o relat\u00f3rio de classifica\u00e7\u00e3o no sklearn<\/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. metrics<\/span> import<\/span> classification_report<\/strong>\n<\/pre>\n #make this example reproducible\n<\/span>n.p. random<\/span> . seeds<\/span> (1)\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' points<\/span> ': np. random<\/span> . randint<\/span> (30, size=1000),\n ' assists<\/span> ': np. random<\/span> . randint<\/span> (12, size=1000),\n ' drafted<\/span> ': np. random<\/span> . randint<\/span> (2, size=1000)})\n\n#view DataFrame\n<\/span>df. head<\/span> ()\n\n\tpoints assists drafted\n0 5 1 1\n1 11 8 0\n2 12 4 1\n3 8 7 0\n4 9 0 0\n<\/strong><\/span><\/pre>\n #define the predictor variables and the response variable\n<\/span>X = df[[' points<\/span> ', ' assists<\/span> ']]\ny = df[' drafted<\/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<\/span> (X,y,test_size=0.3,random_state=0) \n\n<\/strong>#instantiate the model\n<\/span>logistic_regression = LogisticRegression()\n\n#fit the model using the training data\n<\/span>logistic_regression. fit<\/span> (X_train,y_train)\n\n#use model to make predictions on test data\n<\/span>y_pred = logistic_regression. predict<\/span> (X_test)<\/strong><\/pre>\n #print classification report for model\nprint<\/span> (classification_report(y_test, y_pred))\n\n precision recall f1-score support\n\n 0 0.51 0.58 0.54 160\n 1 0.43 0.36 0.40 140\n\n accuracy 0.48 300\n macro avg 0.47 0.47 0.47 300\nweighted avg 0.47 0.48 0.47 300\n<\/span><\/span><\/strong><\/pre>\n\n
Recursos adicionais<\/strong><\/span><\/h3>\n
Como criar uma matriz de confus\u00e3o em Python<\/a>
Como calcular a precis\u00e3o balanceada em Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"