详细内容或原文请订阅后点击阅览
ROC AUC解释：评估分类模型的初学者指南
了解ROC曲线和AUC如何帮助您通过视觉效果和示例超越准确性。论到ROC AUC的解释：评估分类模型的初学者指南首先出现在数据科学方面。
来源:走向数据科学在混淆矩阵上，我们将Logistic回归算法应用于威斯康星州乳腺癌数据集，以分类肿瘤是恶性还是良性。
混乱矩阵我们使用各种指标（例如精度，精度等）评估了分类模型。
现在，在二进制分类模型中，我们有另一种评估该模型的方法，这就是Roc AUC。
ROC AUC在此博客中，我们将讨论为什么要使用另一个指标以及何时使用它。
要详细了解ROC AUC，我们将考虑IBM HR Analytics数据集。
IBM HR Analytics 在此数据集中，我们拥有有关1,470名员工的信息，例如他们的年龄，工作角色，性别，每月收入，工作满意度等。 总共有34个描述每个员工的功能。 我们还有一个目标列“损耗”，如果员工离开公司，则是“是”，如果员工留下来，则“否”。 “消耗” “是” “ no” 让我们看一下目标列的类分布。 作者的图像 从上面的类分布中，我们可以观察到数据集不平衡。 不平衡 现在，我们需要根据此数据建立一个模型，以根据员工是否留在公司中对员工进行分类。 由于这是一个二进制分类（是/否）任务，因此让我们在此数据上使用Logistic回归算法。 代码： 混淆矩阵和分类报告 从上述分类报告中，我们观察到准确性为86％。但是，召回“ 1”（损耗=是，这意味着员工离开了工作）为0.34，表明该模型仅正确地识别了34％离开工作的员工。 “ 1” 召回“ 0”（损耗=否，这意味着员工留在工作中）为0.96，表明该模型正确地识别了96％的住宿员工。 “ 0” 这是由于数据集不平衡而发生的。准确性在这里可能会产生误导。 这是否意味着我们需要更改算法？ 首先，我们将讨论接收器操作特征（ROC）曲线。 有什么可能的阈值？ 召回IBM HR Analytics
在此数据集中，我们拥有有关1,470名员工的信息，例如他们的年龄，工作角色，性别，每月收入，工作满意度等。
总共有34个描述每个员工的功能。
我们还有一个目标列“损耗”，如果员工离开公司，则是“是”，如果员工留下来，则“否”。 “消耗” “是”“ no”
作者的图像
从上面的类分布中，我们可以观察到数据集不平衡。不平衡
现在，我们需要根据此数据建立一个模型，以根据员工是否留在公司中对员工进行分类。
由于这是一个二进制分类（是/否）任务，因此让我们在此数据上使用Logistic回归算法。
代码：
混淆矩阵和分类报告
从上述分类报告中，我们观察到准确性为86％。但是，召回“ 1”（损耗=是，这意味着员工离开了工作）为0.34，表明该模型仅正确地识别了34％离开工作的员工。“ 1”
召回“ 0”（损耗=否，这意味着员工留在工作中）为0.96，表明该模型正确地识别了96％的住宿员工。“ 0”
这是由于数据集不平衡而发生的。准确性在这里可能会产生误导。
这是否意味着我们需要更改算法？
首先，我们将讨论接收器操作特征（ROC）曲线。
有什么可能的阈值？召回