Curva de rendimiento diagnóstico (ROC) para Ajustar modelo logístico binario

La curva ROC representa la tasa de verdaderos positivos (TPR), también conocida como potencia, en el eje Y. La curva ROC representa la tasa de falsos positivos (FPR), también conocida como error de tipo 1, en el eje X. El área bajo una curva ROC indica si el modelo binario es un buen clasificador.

Interpretación

El área bajo los valores de la curva ROC oscila entre 0.5 y 1. Cuando el modelo binario puede separar perfectamente las clases, entonces el área debajo de la curva es 1. Cuando el modelo binario no puede separar las clases mejor que una asignación aleatoria, el área debajo de la curva es 0.5.

Cuando no se utiliza un conjunto de prueba separado, Minitab crea la curva ROC con el conjunto de datos.

En este ejemplo, el área bajo la curva de prueba es 0.9405.

Con un conjunto de prueba, Minitab crea dos curvas ROC. Una curva es para los datos de entrenamiento y la otra para los datos de prueba. Los resultados de prueba indican si el modelo puede predecir adecuadamente los valores de respuesta para nuevas observaciones o resumir correctamente las relaciones entre la respuesta y las variables predictoras. Los resultados de entrenamiento suelen ser más ideales que reales y son solo para referencia.

En este ejemplo, las curvas de entrenamiento y de prueba son similares entre sí. El área bajo la curva de prueba es 0.8882.

Al utilizar este sitio, usted acepta el uso de cookies para efectos de análisis y contenido personalizado.  Leer nuestra política