Nivel: principiante
Karen Copeland, propietaria, estadísticas de Boulder
Tarek Zikry, pasante técnico, SAS
Mia Stephens, Embajadora Académica de JMP, SAS
Para los modelos de clasificación dicotómica (buenos versus malos, negativos versus positivos, sí versus no, etc.), una curva ROC y el área asociada bajo la curva (AUC) a menudo se usan para describir la capacidad del modelo para diferenciar los dos grupos. Si bien este es un comienzo, la curva ROC puede ser difícil de entender, y el AUC puede ser engañoso fuera del contexto del problema de modelado. Para algunos modelos, la tasa general de clasificación errónea es clave; Para otros modelos, hay un costo asociado con clasificaciones erróneas. Este costo puede ser muy diferente para un falso negativo versus un falso positivo. Discutiremos modelos dicotómicos para la predicción y sus curvas ROC asociadas, curvas de elevación y pantallas alternativas de rendimiento del modelo. También discutiremos métodos para seleccionar cortes óptimos para la clasificación y las medidas de rendimiento en función del corte especificado. Para facilitar la selección del corte óptimo para los modelos de clasificación y el cálculo de las métricas de rendimiento, hemos desarrollado una aplicación JMP interactiva y gráfica. Demostraremos esta aplicación con un estudio de caso convincente.
