Ocena dopasowania regresji logistycznej

Wprowadzenie do regresji z użyciem statsmodels w Pythonie

Maarten Van den Broeck

Content Developer at DataCamp

Cztery możliwe wyniki

	przewidywane fałsz.	przewidywane prawdz.
rzeczywiste fałsz.	poprawne	fałszywy pozytyw
rzeczywiste prawdz.	fałszywy negatyw	poprawne

Macierz pomyłek: liczba wyników

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

Wizualizacja macierzy pomyłek

conf_matrix = mdl_recency.pred_table()

print(conf_matrix)

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

prawdziwy negatyw	fałszywy pozytyw
fałszywy negatyw	prawdziwy pozytyw

from statsmodels.graphics.mosaicplot
import mosaic

mosaic(conf_matrix)

Wykres mozaikowy wyników modelu churn vs. recency. Po 200 obserwacji dla każdej klasy – każda kolumna ma tę samą szerokość.

Dokładność

Dokładność to proporcja poprawnych predykcji.

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

 [[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

Czułość

Czułość to proporcja prawdziwych pozytywów.

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

 [[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

Swoistość

Swoistość to proporcja prawdziwych negatywów.

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

 [[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

Czas na ćwiczenia!

Wprowadzenie do regresji z użyciem statsmodels w Pythonie