Lojistik regresyon modelinin bir veri k\u00fcmesine ne kadar iyi uydu\u011funu de\u011ferlendirmek i\u00e7in a\u015fa\u011f\u0131daki iki \u00f6l\u00e7\u00fcme bakabiliriz:<\/span><\/p>\n Bu iki \u00f6l\u00e7\u00fcm\u00fc g\u00f6rselle\u015ftirmenin bir yolu, “al\u0131c\u0131 \u00e7al\u0131\u015fma karakteristi\u011fi” e\u011frisi anlam\u0131na gelen bir ROC e\u011frisi<\/strong> olu\u015fturmakt\u0131r. Bu, lojistik regresyon modelinin duyarl\u0131l\u0131\u011f\u0131n\u0131 ve \u00f6zg\u00fcll\u00fc\u011f\u00fcn\u00fc g\u00f6steren bir grafiktir.<\/span><\/p>\n A\u015fa\u011f\u0131daki ad\u0131m ad\u0131m \u00f6rnek, SAS’ta bir ROC e\u011frisinin nas\u0131l olu\u015fturulaca\u011f\u0131n\u0131 ve yorumlanaca\u011f\u0131n\u0131 g\u00f6sterir.<\/span><\/p>\n \u00d6ncelikle 18 \u00f6\u011frenci i\u00e7in a\u015fa\u011f\u0131daki de\u011fi\u015fkenlere ili\u015fkin bilgileri i\u00e7eren bir veri seti olu\u015fturaca\u011f\u0131z:<\/span><\/p>\n Daha sonra, yan\u0131t de\u011fi\u015fkeni olarak “kabul”\u00fc ve yorday\u0131c\u0131 de\u011fi\u015fkenler olarak “gpa” ve “hareket”i kullanarak lojistik regresyon modeline uyacak \u015fekilde proc lojisti\u011fini<\/strong> kullanaca\u011f\u0131z.<\/span><\/p>\n SAS’\u0131n yan\u0131t de\u011fi\u015fkeninin 1 de\u011ferini alma olas\u0131l\u0131\u011f\u0131n\u0131 nas\u0131l tahmin edece\u011fini bilmesi i\u00e7in azalmay\u0131<\/strong> belirtece\u011fiz.<\/span><\/p>\n Modelin ROC e\u011frisini olu\u015fturmak i\u00e7in de graphs(only)=roc<\/strong> kullanaca\u011f\u0131z:<\/span> <\/p>\n ROC e\u011frisi grafi\u011fin sol \u00fcst k\u00f6\u015fesine ne kadar yak\u0131n olursa, model veri setindeki yan\u0131t de\u011ferlerinin de\u011ferini o kadar iyi tahmin eder.<\/span><\/p>\n Yukar\u0131daki grafikten mavi ROC e\u011frisinin sol \u00fcst k\u00f6\u015feye sar\u0131lma e\u011filiminde oldu\u011funu g\u00f6rebiliriz, bu da lojistik regresyon modelinin yan\u0131t de\u011ferlerinin de\u011ferini tahmin etme konusunda iyi bir i\u015f \u00e7\u0131kard\u0131\u011f\u0131n\u0131 g\u00f6sterir.<\/span><\/p>\n Lojistik regresyon modelinin verilere ne kadar iyi uydu\u011funu \u00f6l\u00e7mek i\u00e7in, grafi\u011fin ne kadar\u0131n\u0131n e\u011frinin alt\u0131nda oldu\u011funu bize s\u00f6yleyen AUC’yi<\/strong> (e\u011fri alt\u0131ndaki alan) hesaplayabiliriz.<\/span><\/p>\n AUC 1’e ne kadar yak\u0131nsa model o kadar iyidir. AUC de\u011feri 0,5’e e\u015fit olan bir model, rastgele s\u0131n\u0131fland\u0131rma yapan bir modelden daha iyi de\u011fildir.<\/span><\/p>\n Yukar\u0131daki grafik ba\u015fl\u0131\u011f\u0131 alt\u0131nda bu modelin AUC\u2019sinin 0,9351<\/strong> oldu\u011funu g\u00f6rebiliyoruz.<\/span><\/p>\n Bu de\u011ferin bire yak\u0131n olmas\u0131 modelin yan\u0131t de\u011ferlerinin de\u011ferini iyi tahmin etti\u011fini do\u011frulamaktad\u0131r.<\/span><\/p>\n AUC de\u011ferini farkl\u0131 lojistik regresyon modellerinin uyumunu kar\u015f\u0131la\u015ft\u0131rmak i\u00e7in de kullanabiliriz.<\/span><\/p>\n \u00d6rne\u011fin, iki farkl\u0131 lojistik regresyon modelini uydurdu\u011fumuzu ve her biri i\u00e7in AUC de\u011ferlerini hesaplad\u0131\u011f\u0131m\u0131z\u0131 varsayal\u0131m:<\/span><\/p>\n Model 1’in AUC’si daha b\u00fcy\u00fck oldu\u011fundan, bu bize Model 1’in verileri uydurma konusunda Model 2’den daha iyi bir i\u015f \u00e7\u0131kard\u0131\u011f\u0131n\u0131 g\u00f6sterir.<\/span><\/p>\n A\u015fa\u011f\u0131daki e\u011fitimlerde SAS’ta di\u011fer yayg\u0131n i\u015flemlerin nas\u0131l ger\u00e7ekle\u015ftirilece\u011fi a\u00e7\u0131klanmaktad\u0131r:<\/span><\/p>\n SAS’ta basit do\u011frusal regresyon nas\u0131l ger\u00e7ekle\u015ftirilir?<\/a> Lojistik regresyon, yan\u0131t de\u011fi\u015fkeni ikili oldu\u011funda bir regresyon modeline uymak i\u00e7in kullanabilece\u011fimiz bir y\u00f6ntemdir. Lojistik regresyon modelinin bir veri k\u00fcmesine ne kadar iyi uydu\u011funu de\u011ferlendirmek i\u00e7in a\u015fa\u011f\u0131daki iki \u00f6l\u00e7\u00fcme bakabiliriz: Duyarl\u0131l\u0131k: Sonu\u00e7 ger\u00e7ekten olumluyken modelin bir g\u00f6zlem i\u00e7in olumlu bir sonu\u00e7 tahmin etme olas\u0131l\u0131\u011f\u0131. Buna ayn\u0131 zamanda \u201cger\u00e7ek pozitif oran\u201d da denir. \u00d6zg\u00fcll\u00fck: Sonu\u00e7 ger\u00e7ekten […]<\/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-2886","post","type-post","status-publish","format-standard","hentry","category-rehber"],"yoast_head":"\n\n
1. Ad\u0131m: Veri k\u00fcmesini olu\u015fturun<\/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 Ad\u0131m 2: Lojistik regresyon modelini yerle\u015ftirin ve bir ROC e\u011frisi olu\u015fturun<\/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![\"SAS'ta](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/rocsas1.jpg\")
<\/p>\n Ad\u0131m 3: ROC e\u011frisini yorumlay\u0131n<\/strong><\/span><\/h3>\n
\n
Ek kaynaklar<\/strong><\/span><\/h3>\n
SAS’ta \u00e7oklu do\u011frusal regresyon nas\u0131l ger\u00e7ekle\u015ftirilir?<\/a>
SAS’ta lojistik regresyon nas\u0131l ger\u00e7ekle\u015ftirilir?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"