Quantificando o ajuste da regressão logística

Introdução à Regressão com statsmodels em Python

Maarten Van den Broeck

Content Developer at DataCamp

Os quatro resultados

	previsto falso	previsto verdadeiro
real falso	correto	falso positivo
real verdadeiro	falso negativo	correto

Matriz de confusão: contagem de resultados

actual_response = churn["has_churned"]

predicted_response = np.round(mdl_recency.predict())

outcomes = pd.DataFrame({"actual_response": actual_response,
                         "predicted_response": predicted_response})

print(outcomes.value_counts(sort=False))

actual_response  predicted_response
0                0.0                   141
                 1.0                    59
1                0.0                   111
                 1.0                    89

Visualizando a matriz de confusão

conf_matrix = mdl_recency.pred_table()

print(conf_matrix)

[[141.              59.]
 [111.              89.]]

verdadeiro negativo	falso positivo
falso negativo	verdadeiro positivo

from statsmodels.graphics.mosaicplot
import mosaic

mosaic(conf_matrix)

Um gráfico mosaico dos resultados do modelo churn versus recency. Há 200 observações para churns verdadeiros e não-churns verdadeiros, então cada coluna tem a mesma largura.

Acurácia

Acurácia é a proporção de previsões corretas.

$$ \text{accuracy} = \frac{TN + TP}{TN + FN + FP + TP} $$

 [[141.,  59.],
  [111.,  89.]]

TN = conf_matrix[0,0]
TP = conf_matrix[1,1]
FN = conf_matrix[1,0]
FP = conf_matrix[0,1]

acc = (TN + TP) / (TN + TP + FN + FP)
print(acc)

0.575

Sensibilidade

Sensibilidade é a proporção de verdadeiros positivos.

$$ \text{sensitivity} = \frac{TP}{FN + TP} $$

 [[141.,  59.],
  [111.,  89.]]

TN = conf_matrix[0,0]
TP = conf_matrix[1,1]
FN = conf_matrix[1,0]
FP = conf_matrix[0,1]

sens = TP / (FN + TP)
print(sens)

0.445

Especificidade

Especificidade é a proporção de verdadeiros negativos.

$$ \text{specificity} = \frac{TN}{TN + FP} $$

 [[141.,  59.],
  [111.,  89.]]

TN = conf_matrix[0,0]
TP = conf_matrix[1,1]
FN = conf_matrix[1,0]
FP = conf_matrix[0,1]

spec = TN / (TN + FP)
print(spec)

0.705

Vamos praticar!

Introdução à Regressão com statsmodels em Python