Niveau: Anfänger
Karen Copeland, Eigentümerin, Boulder Statistics
Tarek Zikry, Technischer Praktikant, SAS
Mia Stephens, JMP-Akademische Botschafterin, SAS
Bei dichotomen Klassifikationsmodellen (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 zur Unterscheidung zwischen den beiden Gruppen zu beschreiben. Dies ist zwar ein erster Schritt, doch die ROC-Kurve kann schwer verständlich sein, und die AUC kann außerhalb des Kontexts des Modellierungsproblems irreführend sein. Für manche Modelle ist die Gesamtfehlklassifizierungsrate entscheidend; für andere Modelle sind mit Fehlklassifizierungen Kosten verbunden. Diese Kosten können bei falsch-negativen und falsch-positiven Ergebnissen sehr unterschiedlich ausfallen. Wir werden dichotome Modelle für die Vorhersage und die zugehörigen ROC-Kurven, Lift-Kurven und alternative Darstellungen der Modellleistung diskutieren. Wir werden außerdem Methoden zur Auswahl optimaler Grenzwerte für die Klassifizierung und Leistungskennzahlen basierend auf dem festgelegten Grenzwert diskutieren. Um die Auswahl des optimalen Grenzwerts für Klassifikationsmodelle und die Berechnung von Leistungskennzahlen zu erleichtern, haben wir eine interaktive und grafische JMP-Anwendung entwickelt. Wir werden diese Anwendung anhand einer überzeugenden Fallstudie demonstrieren.
