Grenzwertoptimierungskurve (ROC-Kurve) für Binäres logistisches Modell anpassen

Die ROC-Kurve zeigt die Richtig-Positiv-Rate (TPR), auch als Trennschärfe bezeichnet, auf der y-Achse. Die ROC-Kurve zeigt die Falsch-Positiv-Rate (FPR), auch als Fehler 1. Art bezeichnet, auf der x-Achse. Die Fläche unter einer ROC-Kurve gibt an, ob das binäre Modell ein guter Klassifikator ist.

Interpretation

Die Fläche unter der ROC-Kurve kann Werte von 0,5 bis 1 annehmen. Wenn das binäre Modell die Klassen perfekt trennen kann, entspricht die Fläche unter der Kurve 1. Wenn das binäre Modell die Klassen nicht besser als eine zufällige Einteilung trennen kann, entspricht die Fläche unter der Kurve 0,5.

Wenn kein separater Testdatensatz verwendet wird, erstellt Minitab die ROC-Kurve mit dem Datensatz.

In diesem Beispiel entspricht die Fläche unter der Kurve für den Test 0,9405.

Mit einem Testdatensatz erstellt Minitab zwei ROC-Kurven. Eine Kurve bildet die Trainingsdaten, die andere die Testdaten ab. Die Testergebnisse geben an, ob das Modell die Werte der Antwortvariablen für neue Beobachtungen angemessen prognostizieren oder die Beziehungen zwischen der Antwortvariablen und den Prädiktorvariablen adäquat zusammenfassen kann. Die Ergebnisse für die Trainingsdaten sind in der Regel optimaler als für die tatsächlichen Daten und dienen nur zur Referenz.

In diesem Beispiel sind die Kurven für das Training und den Test ähnlich. Die Fläche unter der Kurve für den Test beträgt 0,8882.

Durch Ihre Nutzung dieser Website stimmen Sie zu, dass Cookies verwendet werden. Cookies dienen zu Analysezwecken und zum Bereitstellen personalisierter Inhalte.  Lesen Sie unsere Richtlinien