ロジスティック回帰の当てはまりを定量化

Pythonで学ぶstatsmodelsによる回帰入門

Maarten Van den Broeck

Content Developer at DataCamp

4つの結果

	予測: 偽	予測: 真
実際: 偽	正解	偽陽性
実際: 真	偽陰性	正解

混同行列：結果の件数

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

混同行列の可視化

conf_matrix = mdl_recency.pred_table()

print(conf_matrix)

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

真陰性	偽陽性
偽陰性	真陽性

from statsmodels.graphics.mosaicplot
import mosaic

mosaic(conf_matrix)

離反 vs. 最新利用モデルの結果を示すモザイク図。真の離反と真の非離反が各200件のため、各列の幅は同じです。

正解率（Accuracy）

正解率は正しく予測した割合です。

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

 [[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

感度（Sensitivity）

感度は真陽性の割合です。

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

 [[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

特異度（Specificity）

特異度は真陰性の割合です。

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

 [[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で学ぶstatsmodelsによる回帰入門