Niveau: Anfänger
Karen Copeland, Eigentümerin, Boulder-Statistiken
Tarek Zikry, Technischer Praktikant, SAS
Mia Stephens, Akademische Botschafterin von JMP, SAS
Bei dichotomen Klassifizierungsmodellen (gut versus schlecht, negativ versus positiv, ja versus nein usw.) werden häufig eine ROC-Kurve und die zugehörige Fläche unter der Kurve (AUC) verwendet, um die Fähigkeit des Modells zu beschreiben, die beiden Gruppen zu unterscheiden. Obwohl dies ein Anfang ist, kann die ROC-Kurve schwer zu verstehen sein, und die AUC kann außerhalb des Kontexts des Modellierungsproblems irreführend sein. Bei einigen Modellen ist die Gesamtfehlklassifizierungsrate entscheidend; Bei anderen Modellen sind mit Fehlklassifizierungen Kosten verbunden. Diese Kosten können für ein falsch negatives Ergebnis sehr unterschiedlich von einem falsch positiven sein. Wir werden dichotome Modelle für die Vorhersage und ihre zugehörigen ROC-Kurven, Lift-Kurven und alternative Darstellungen der Modellleistung diskutieren. Wir werden auch Methoden zur Auswahl optimaler Grenzwerte für die Klassifizierung und Leistungsmessungen auf der Grundlage des angegebenen Grenzwerts erörtern. Um die Auswahl des optimalen Cutoffs für Klassifizierungsmodelle und die Berechnung von Leistungsmetriken zu erleichtern, haben wir eine interaktive und grafische JMP-Anwendung entwickelt. Wir werden diese Anwendung anhand einer überzeugenden Fallstudie demonstrieren.
