Lojistik regresyon uyumunu ölçme

Python ile statsmodels kullanarak Regresyona Giriş

Maarten Van den Broeck

Content Developer at DataCamp

Dört olası sonuç

	tahmin: yanlış	tahmin: doğru
gerçek: yanlış	doğru	yanlış pozitif
gerçek: doğru	yanlış negatif	doğru

Karmaşıklık matrisi: sonuç sayımları

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

Karmaşıklık matrisini görselleştirme

conf_matrix = mdl_recency.pred_table()

print(conf_matrix)

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

gerçek negatif	yanlış pozitif
yanlış negatif	gerçek pozitif

from statsmodels.graphics.mosaicplot
import mosaic

mosaic(conf_matrix)

Terk vs. son satın alma zamanına göre model sonuçlarının mozaik grafiği. Gerçek terkler ve gerçek terk etmeyenler için 200'er gözlem vardır, bu yüzden her sütun aynı genişliktedir.

Doğruluk

Doğruluk (accuracy), doğru tahminlerin oranıdır.

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

 [[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

Duyarlılık

Duyarlılık (sensitivity), gerçek pozitiflerin oranıdır.

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

 [[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

Seçicilik

Seçicilik (specificity), gerçek negatiflerin oranıdır.

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

 [[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

Ayo berlatih!

Python ile statsmodels kullanarak Regresyona Giriş