Quantifier l'ajustement d'une régression logistique

Introduction à la régression avec statsmodels en Python

Maarten Van den Broeck

Content Developer at DataCamp

Les quatre issues

prédit faux prédit vrai
réel faux correct faux positif
réel vrai faux négatif correct
Introduction à la régression avec statsmodels en Python

Matrice de confusion : dénombrement des issues

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
Introduction à la régression avec statsmodels en Python

Visualiser la matrice de confusion

conf_matrix = mdl_recency.pred_table()

print(conf_matrix)

[[141.              59.]
 [111.              89.]]
vrai négatif faux positif
faux négatif vrai positif 
from statsmodels.graphics.mosaicplot
import mosaic

mosaic(conf_matrix)

Un diagramme en mosaïque des issues du modèle churn versus recency. Il y a 200 observations pour les désabonnements réels et 200 pour les non‑désabonnements réels, donc chaque colonne a la même largeur.

Introduction à la régression avec statsmodels en Python

Exactitude

L'exactitude est la proportion de prédictions correctes.

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

 [[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
Introduction à la régression avec statsmodels en Python

Sensibilité

La sensibilité est la proportion de vrais positifs.

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

 [[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
Introduction à la régression avec statsmodels en Python

Spécificité

La spécificité est la proportion de vrais négatifs.

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

 [[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
Introduction à la régression avec statsmodels en Python

Passons à la pratique !

Introduction à la régression avec statsmodels en Python

Preparing Video For Download...