Livello: principiante
Karen Copeland, Proprietaria, Boulder Statistics
Tarek Zikry, stagista tecnico, SAS
Mia Stephens, ambasciatrice accademica di JMP, SAS
Per i modelli di classificazione dicotomica (buono contro cattivo, negativo contro positivo, sì contro no, ecc.), vengono spesso utilizzate una curva ROC e l'area sotto la curva (AUC) associata per descrivere la capacità del modello di differenziare i due gruppi. Sebbene questo sia un inizio, la curva ROC può essere difficile da comprendere e l'AUC può essere fuorviante al di fuori del contesto del problema di modellazione. Per alcuni modelli, il tasso complessivo di classificazione errata è fondamentale; per altri modelli, vi è un costo associato a classificazioni errate. Questo costo può essere molto diverso per un falso negativo rispetto a un falso positivo. Discuteremo i modelli dicotomici per la previsione e le curve ROC associate, le curve di sollevamento e le visualizzazioni alternative delle prestazioni del modello. Discuteremo anche i metodi per la selezione dei cutoff ottimali per la classificazione e le misure delle prestazioni basate sul cutoff specificato. Per facilitare la selezione del cutoff ottimale per i modelli di classificazione e il calcolo delle metriche delle prestazioni, abbiamo sviluppato un'applicazione JMP interattiva e grafica. Dimostreremo questa applicazione con un case study convincente.
