Livello: Principiante
Karen Copeland, proprietaria, Boulder Statistics
Tarek Zikry, stagista tecnico, SAS
Mia Stephens, Ambasciatrice accademica JMP, SAS
Per i modelli di classificazione dicotomica (buono vs cattivo, negativo vs positivo, sì vs no, ecc.), una curva ROC e la relativa area sotto la curva (AUC) vengono spesso utilizzate per descrivere la capacità del modello di differenziare i due gruppi. Sebbene questo sia un punto di partenza, 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 errori di classificazione è fondamentale; per altri modelli, gli errori di classificazione comportano un costo. Questo costo può essere molto diverso per un falso negativo rispetto a un falso positivo. Discuteremo i modelli dicotomici per la previsione e le relative curve ROC, curve di lift e visualizzazioni alternative delle prestazioni del modello. Discuteremo anche i metodi per la selezione dei cutoff ottimali per la classificazione e le misure di prestazione basate sul cutoff specificato. Per facilitare la selezione del cutoff ottimale per i modelli di classificazione e il calcolo delle metriche di prestazione, abbiamo sviluppato un'applicazione JMP interattiva e grafica. Dimostreremo questa applicazione con un caso di studio interessante.
