De passing van logistische regressie kwantificeren

Introductie tot regressie met statsmodels in Python

Maarten Van den Broeck

Content Developer at DataCamp

De vier uitkomsten

	voorspeld onwaar	voorspeld waar
werkelijk onwaar	correct	fout-positief
werkelijk waar	fout-negatief	correct

Confusion matrix: aantallen uitkomsten

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

De confusion matrix visualiseren

conf_matrix = mdl_recency.pred_table()

print(conf_matrix)

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

true negative	false positive
false negative	true positive

from statsmodels.graphics.mosaicplot
import mosaic

mosaic(conf_matrix)

Een mozaïekplot van de uitkomsten van het churn-versus-recency-model. Er zijn 200 observaties voor zowel echte churns als echte niet-churns, dus elke kolom heeft dezelfde breedte.

Nauwkeurigheid

Nauwkeurigheid is het aandeel correcte voorspellingen.

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

 [[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

Sensitiviteit

Sensitiviteit is het aandeel echte positieven.

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

 [[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

Specificiteit

Specificiteit is het aandeel echte negatieven.

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

 [[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

Laten we oefenen!

Introductie tot regressie met statsmodels in Python