量化羅吉斯回歸的擬合度

使用 Python 中的 statsmodels 進行回歸入門

Maarten Van den Broeck

Content Developer at DataCamp

四種結果

	預測為 false	預測為 true
實際為 false	正確	偽陽性
實際為 true	偽陰性	正確

混淆矩陣：結果計數

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

視覺化混淆矩陣

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)

流失對最近互動模型結果的馬賽克圖。實際流失與未流失各有 200 筆觀測，因此每一欄寬度相同。

Accuracy（正確率）

Accuracy 是正確預測的比例。

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

 [[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

Sensitivity（靈敏度）

Sensitivity 是真陽性的比例。

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

 [[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

Specificity（特異度）

Specificity 是真陰性的比例。

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

 [[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

一起來練習吧！

使用 Python 中的 statsmodels 進行回歸入門