Логистическая регрессия — это тип регрессии, который мы можем использовать, когда переменная ответа является двоичной.
Одним из распространенных способов оценки качества модели логистической регрессии является создание матрицы путаницы , которая представляет собой таблицу 2 × 2, в которой показаны прогнозируемые значения из модели и фактические значения из тестового набора данных.
В следующем пошаговом примере показано, как создать матрицу путаницы в Excel.
Шаг 1: введите данные
Во-первых, давайте введем столбец фактических значений для переменной ответа вместе с прогнозируемыми значениями с помощью модели логистической регрессии:
Шаг 2: Создайте матрицу путаницы
Далее мы будем использовать формулу COUNTIFS() для подсчета количества значений, равных «0» в столбце «Фактическое», а также «0» в столбце «Прогноз»:
Мы будем использовать аналогичную формулу для заполнения каждой второй ячейки матрицы путаницы:
Шаг 3: Рассчитайте точность, точность и полноту
После того, как мы создали матрицу путаницы, мы можем рассчитать следующие показатели:
- Точность : процент правильных прогнозов
- Точность : правильные положительные прогнозы по отношению к общему количеству положительных прогнозов.
- Вспомнить : исправить положительные прогнозы по отношению к общему количеству фактических положительных результатов.
Следующие формулы показывают, как рассчитать каждую из этих метрик в Excel:
Чем выше точность, тем лучше модель способна правильно классифицировать наблюдения.
В этом примере наша модель имеет точность 0,7 , что говорит нам о том, что она правильно классифицировала 70% наблюдений.
При желании мы можем сравнить эту точность с точностью других моделей логистической регрессии, чтобы определить, какая модель лучше всего классифицирует наблюдения по категориям 0 или 1.
Дополнительные ресурсы
Введение в логистическую регрессию
3 типа логистической регрессии
Логистическая регрессия против линейной регрессии