Episodio

Analisi delle prestazioni della regressione logistica con curve ROC [Parte 17] | Machine Learning per principianti

con Bea Stollnitz

Unisciti a Bea Stollnitz, principal cloud advocate di Microsoft, perché spiega come analizzare le prestazioni del modello di regressione logistica usando le curve ROC (Receiver Operating Characteristic). Verranno usati per valutare il classificatore di regressione logistica compilato nel video precedente usando il set 🎃 di dati zucca .

Contenuto dell'esercitazione:

Che cos'è una curva ROC
Come una curva ROC aiuta a valutare i classificatori binari
Relazione tra una curva ROC e una matrice di confusione

Bea guiderà il processo di creazione di una curva ROC usando Python in un notebook juypter e come interpretarne i risultati per ottenere informazioni dettagliate sulle prestazioni del modello.

Resta sintonizzato per il prossimo video di questa serie, quindi non perderai i prossimi video nella serie ML for Beginners!

Capitoli

00:00 - Introduzione
00:17 - Che cos'è una curva ROC?
00:37 - Il notebook su cui stiamo lavorando
00:55 - Definizione di una curva ROC
01:29 - Scelta di una nuova soglia per la regressione logistica
02:21 - Traccia ROC usando più soglie di classificazione
02:43 - Creare una curva ROC nel codice
03:00 - Forma di una curva ROC
03:38 - Lettura di una curva ROC
04:10 - Calcolare l'area sotto la curva ROC

Risorse consigliate

Questo corso si basa sul curriculum gratuito, open source, ml per principianti di Microsoft.
Il notebook di Jupyter da seguire insieme a questa lezione è disponibile.

Connessione

Bea Stollnitz | Blog
Bea Stollnitz | Twitter: @beastollnitz
Bea Stollnitz | LinkedIn: in/beatrizstollnitz/