Kvantifiera logistisk regressionsanpassning

Introduktion till regression med statsmodels i Python

Maarten Van den Broeck

Content Developer at DataCamp

De fyra utfallen

	förutsedd falskt	förutsedd sant
faktiskt falskt	korrekt	falskt positivt
faktiskt sant	falskt negativt	korrekt

Förvirringsmatris: antal utfall

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

Visualisera förvirringsmatrisen

conf_matrix = mdl_recency.pred_table()

print(conf_matrix)

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

sant negativt	falskt positivt
falskt negativt	sant positivt

from statsmodels.graphics.mosaicplot
import mosaic

mosaic(conf_matrix)

Ett mosaikdiagram över utfallen för modellen churn kontra recency. Det finns 200 observationer vardera för faktiska churns och faktiska icke-churns, så varje kolumn har samma bredd.

Noggrannhet

Noggrannhet är andelen korrekta förutsägelser.

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

 [[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

Känslighet

Känslighet är andelen sant positiva.

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

 [[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

Specificitet

Specificitet är andelen sant negativa.

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

 [[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

Nu kör vi en övning!

Introduktion till regression med statsmodels i Python