Episode

Analyse der Logistischen Regressionsleistung mit ROC-Kurven [Teil 17] | Maschinelles Lernen für Anfänger

durch Bea Stollnitz

Maschinelles Lernen für Einsteiger

Treten Sie Bea Stollnitz, einem Principal Cloud Advocate bei Microsoft, bei, während sie Ihnen lehrt, wie Sie die Leistung Ihres logistischen Regressionsmodells mithilfe von ROC-Kurven (Receiver Operating Characteristic) analysieren können. Wir werden diese verwenden, um den logistischen Regressionsklassifizierungsklassifizierer zu bewerten, der im vorherigen Video mit unserem Kürbisdatensatz 🎃 erstellt wurde.

Sie lernen Folgendes:

  • Was eine ROC-Kurve ist
  • Wie eine ROC-Kurve bei der Auswertung binärer Klassifizierer hilft
  • Wie sich eine ROC-Kurve auf eine Verwirrungsmatrix bezieht

Bea führt Sie durch den Prozess der Erstellung einer ROC-Kurve mithilfe von Python in einem Juypter-Notizbuch und wie Sie seine Ergebnisse interpretieren können, um Einblicke in die Leistung Ihres Modells zu erhalten.

Bleiben Sie auf dem nächsten Video dieser Serie, damit Sie in der ML für Anfänger-Serie keine bevorstehenden Videos verpassen!

Kapitel

  • 00:00: Einführung
  • 00:17 - Was ist eine ROC-Kurve?
  • 00:37 - Das Notizbuch, an dem wir arbeiten
  • 00:55 - Definition einer ROC-Kurve
  • 01:29 - Auswahl eines neuen Schwellenwerts für die logistische Regression
  • 02:21 - RoC mit mehreren Klassifizierungsschwellenwerten zeichnen
  • 02:43 - Erstellen einer ROC-Kurve im Code
  • 03:00 - Die Form einer ROC-Kurve
  • 03:38 - Lesen einer ROC-Kurve
  • 04:10 - Berechnen des Bereichs unter der ROC-Kurve
  • Dieser Kurs basiert auf dem kostenlosen Open-Source-Lehrplan ML For Beginners (ML für Einsteiger) mit 26 Lektionen von Microsoft.
  • Das Jupyter-Notizbuch , das Sie zusammen mit dieser Lektion verfolgen können, ist verfügbar!

Verbinden

Azure Machine Learning
Python