Hodnocení kvality modelu

Modeling with tidymodels in R

David Svancer

Data Scientist

Binární klasifikace

Výstupní proměnná se dvěma hodnotami

Pozitivní třída
- Předpovídaná událost zájmu
- „yes" v proměnné purchased
Negativní třída
- „no"
V tidymodels musí být výstupní proměnná faktor
- První úroveň je pozitivní třída
- Pořadí ověřte pomocí levels()

leads_df

# A tibble: 1,328 x 7
  purchased total_visits  ...   us_location
   <fct>        <dbl>     ...     <fct>
 1 yes            7       ...     west
 2 no             8       ...     west
 3 no             5       ...     southeast
# ... with 1,325 more rows

levels(leads_df[['purchased']])

[1] "yes" "no"

Matice záměn

Matice s počty všech kombinací skutečných a předpovězených hodnot

Správné předpovědi

Pravý pozitivní (TP)
Pravý negativní (TN)

Chyby klasifikace

Falešně pozitivní (FP)
Falešně negativní (FN)

Matice záměn

Metriky klasifikace s yardstick

Vytváření matic záměn a dalších metrik kvality modelu pomocí yardstick

Vyžaduje tibble s výsledky modelu obsahující:
- Skutečné hodnoty výstupu
  - purchased
- Předpovězené kategorie výstupu
  - .pred_class
- Odhadované pravděpodobnosti každé kategorie
  - .pred_yes
  - .pred_no

leads_results

# A tibble: 332 x 4
   purchased .pred_class .pred_yes .pred_no
   <fct>     <fct>           <dbl>    <dbl>
 1 no        no             0.134     0.866
 2 yes       yes            0.729     0.271
 3 no        no             0.133     0.867
 4 no        no             0.0916    0.908
 5 yes       yes            0.598     0.402
 6 no        no             0.128     0.872
 7 yes       no             0.112     0.888
 8 no        no             0.169     0.831
 9 no        no             0.158     0.842
10 yes       yes            0.520     0.480
# ... with 322 more rows

Matice záměn s yardstick

Funkce conf_mat()

Tibble s výsledky modelu
truth – sloupec se skutečnými hodnotami
estimate – sloupec s předpovězenými hodnotami

Logistická regrese na leads_df

Správně klasifikováno 252 z 332 zákazníků (76 %)
46 falešně negativních
34 falešně pozitivních

conf_mat(leads_results,

         truth = purchased,

         estimate = .pred_class)

          Truth
Prediction yes  no
       yes  74  34
       no   46 178

Přesnost klasifikace

Funkce accuracy()

Přijímá stejné argumenty jako conf_mat()
Vypočítá přesnost klasifikace

$$\frac{TP + TN}{TP + TN + FP + FN}$$

Funkce yardstick vždy vrací tibble
- .metric – typ metriky
- .estimate – vypočítaná hodnota

accuracy(leads_results, 
         truth = purchased, 
         estimate = .pred_class)

# A tibble: 1 x 3
  .metric  .estimator .estimate
  <chr>    <chr>          <dbl>
1 accuracy binary         0.759

Senzitivita

V mnoha případech přesnost není nejlepší metrika

Data leads_df
- Klasifikace všech jako „ne" dává 64% přesnost

Senzitivita

Podíl všech pozitivních případů správně klasifikovaných

Z zákazníků, kteří skutečně koupili, jaký podíl model správně předpověděl?
- Méně falešně negativních zvyšuje senzitivitu

Výpočet senzitivity

Funkce sens()

Přijímá stejné argumenty jako conf_mat() a accuracy()
Vrátí výpočet senzitivity ve sloupci .estimate

sens(leads_results, 
     truth = purchased, 
     estimate = .pred_class)

# A tibble: 1 x 3
  .metric .estimator .estimate
  <chr>   <chr>          <dbl>
1 sens    binary         0.617

Specificita

Specificita je podíl všech negativních případů správně klasifikovaných

Z zákazníků, kteří nekoupili, jaký podíl model správně předpověděl?
- Méně falešně pozitivních zvyšuje specificitu

1 – Specificita

Také nazývána míra falešné pozitivity (FPR)
Podíl falešně pozitivních mezi skutečně negativními

Výpočet specificity

Funkce spec()

Přijímá stejné argumenty jako sens()
Vrátí výpočet specificity ve sloupci .estimate

spec(leads_results, 
     truth = purchased, 
     estimate = .pred_class)

# A tibble: 1 x 3
  .metric .estimator .estimate
  <chr>   <chr>          <dbl>
1 spec    binary         0.840

Vytvoření sady metrik

Uživatelsky definované sady metrik

Funkce metric_set()
- Vytvoří uživatelskou metrickou funkci s vybranými metrikami yardstick
- Předejte názvy funkcí metrik yardstick do metric_set()
- Použijte vlastní funkci k výpočtu metrik

custom_metrics <-
  metric_set(accuracy, sens, spec)

custom_metrics(leads_results, 
               truth = purchased, 
               estimate = .pred_class)

# A tibble: 3 x 3
  .metric  .estimator .estimate
  <chr>    <chr>          <dbl>
1 accuracy binary         0.759
2 sens     binary         0.617
3 spec     binary         0.840

Mnoho metrik

**Metriky binární klasifikace

Široká nabídka metrik binární klasifikace
- accuracy(), kap(), sens(), spec(), ppv(), npv(), mcc(), j_index(), bal_accuracy(), detection_prevalence(), precision(), recall(), f_meas()
Předejte výsledky conf_mat() do summary() pro výpočet všech

https://yardstick.tidymodels.org/reference

conf_mat(leads_results, truth = purchased, 
         estimate = .pred_class) %>% 
  summary()

# A tibble: 13 x 3
   .metric              .estimator .estimate
   <chr>                <chr>          <dbl>
 1 accuracy             binary         0.759
 2 kap                  binary         0.466
 3 sens                 binary         0.617
 4 spec                 binary         0.840
 5 ppv                  binary         0.685
 6 npv                  binary         0.795
 7 mcc                  binary         0.468
 8 j_index              binary         0.456
 9 bal_accuracy         binary         0.728
10 detection_prevalence binary         0.325
11 precision            binary         0.685
12 recall               binary         0.617
13 f_meas               binary         0.649

Pojďme si procvičit!

Modeling with tidymodels in R