web-dev-qa-db-fra.com

Évaluation de la régression logistique avec validation croisée

Je voudrais utiliser la validation croisée pour tester/former mon ensemble de données et évaluer les performances du modèle de régression logistique sur l'ensemble de données et pas seulement sur l'ensemble de tests (par exemple 25%).

Ces concepts sont totalement nouveaux pour moi et je ne suis pas très sûr de bien faire les choses. Je serais reconnaissant à qui que ce soit de me conseiller sur les bonnes mesures à prendre lorsque je me suis trompé. Une partie de mon code est présentée ci-dessous.

De plus, comment puis-je tracer des ROC pour "y2" et "y3" sur le même graphique avec le graphique actuel?

Je vous remercie

import pandas as pd 
Data=pd.read_csv ('C:\\Dataset.csv',index_col='SNo')
feature_cols=['A','B','C','D','E']
X=Data[feature_cols]

Y=Data['Status'] 
Y1=Data['Status1']  # predictions from elsewhere
Y2=Data['Status2'] # predictions from elsewhere

from sklearn.linear_model import LogisticRegression
logreg=LogisticRegression()
logreg.fit(X_train,y_train)

from sklearn.cross_validation import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

from sklearn import metrics, cross_validation
predicted = cross_validation.cross_val_predict(logreg, X, y, cv=10)
metrics.accuracy_score(y, predicted) 

from sklearn.cross_validation import cross_val_score
accuracy = cross_val_score(logreg, X, y, cv=10,scoring='accuracy')
print (accuracy)
print (cross_val_score(logreg, X, y, cv=10,scoring='accuracy').mean())

from nltk import ConfusionMatrix 
print (ConfusionMatrix(list(y), list(predicted)))
#print (ConfusionMatrix(list(y), list(yexpert)))

# sensitivity:
print (metrics.recall_score(y, predicted) )

import matplotlib.pyplot as plt 
probs = logreg.predict_proba(X)[:, 1] 
plt.hist(probs) 
plt.show()

# use 0.5 cutoff for predicting 'default' 
import numpy as np 
preds = np.where(probs > 0.5, 1, 0) 
print (ConfusionMatrix(list(y), list(preds)))

# check accuracy, sensitivity, specificity 
print (metrics.accuracy_score(y, predicted)) 

#ROC CURVES and AUC 
# plot ROC curve 
fpr, tpr, thresholds = metrics.roc_curve(y, probs) 
plt.plot(fpr, tpr) 
plt.xlim([0.0, 1.0]) 
plt.ylim([0.0, 1.0]) 
plt.xlabel('False Positive Rate') 
plt.ylabel('True Positive Rate)') 
plt.show()

# calculate AUC 
print (metrics.roc_auc_score(y, probs))

# use AUC as evaluation metric for cross-validation 
from sklearn.cross_validation import cross_val_score 
logreg = LogisticRegression() 
cross_val_score(logreg, X, y, cv=10, scoring='roc_auc').mean()
pythonscikit-learnlogistic-regressioncross-validation
8
S.H

Vous avez presque raison. cross_validation.cross_val_predict vous donne des prédictions pour l'ensemble de données entier. Il vous suffit de supprimer logreg.fit plus tôt dans le code. Plus précisément, ce qu'il fait est le suivant: il divise votre jeu de données en n plis et à chaque itération, il laisse l'un des plis en tant que jeu de test et forme le modèle sur le reste des plis (n-1 plis). Ainsi, à la fin, vous obtiendrez des prévisions pour l'ensemble des données.

Illustrons cela avec l'un des ensembles de données intégrés dans sklearn, iris. Cet ensemble de données contient 150 échantillons d'apprentissage avec 4 fonctionnalités. iris['data'] est X et iris['target'] est y

In [15]: iris['data'].shape
Out[15]: (150, 4)

Pour obtenir des prédictions sur l'ensemble complet avec validation croisée, vous pouvez procéder comme suit:

from sklearn.linear_model import LogisticRegression
from sklearn import metrics, cross_validation
from sklearn import datasets
iris = datasets.load_iris()
predicted = cross_validation.cross_val_predict(LogisticRegression(), iris['data'], iris['target'], cv=10)
print metrics.accuracy_score(iris['target'], predicted)

Out [1] : 0.9537

print metrics.classification_report(iris['target'], predicted) 

Out [2] :
                     precision    recall  f1-score   support

                0       1.00      1.00      1.00        50
                1       0.96      0.90      0.93        50
                2       0.91      0.96      0.93        50

      avg / total       0.95      0.95      0.95       150

Revenons donc à votre code. Tout ce dont vous avez besoin est le suivant:

from sklearn import metrics, cross_validation
logreg=LogisticRegression()
predicted = cross_validation.cross_val_predict(logreg, X, y, cv=10)
print metrics.accuracy_score(y, predicted)
print metrics.classification_report(y, predicted)

Pour tracer ROC dans une classification multi-classes, vous pouvez suivre ce tutoriel qui vous donne quelque chose comme ceci:

En général, sklearn propose de très bons didacticiels et une bonne documentation. Je recommande fortement de lire leur tutoriel sur cross_validation .

7
CentAu