Details zu „Logistic Regression“

Auf dem Bildschirm „Modelldetail“ werden folgende Informationen für „Logistic Regression“-Modelle angezeigt:

Metriken

Stellt für folgende Informationen Trainings-, Test- und „N-fach“-Daten bereit:
  • Mean Squared Error (MSE)
  • Root Mean Squared Error (RMSE)
  • Anzahl der Beobachtungen
  • R-Quadrat (R2)
  • Logarithmischer Abfall (Logloss)
  • Area under the curve (AUC)
  • Precision-Recall-Bereich unter der Kurve (PR AUC)
  • Gini-Koeffizient
  • Mean Per Class Error
  • Akaike-Informationskriterium (AIC)
  • Lambda
  • Restabweichung
  • Abweichung von Null
  • Freiheitsgrad von Null
  • Restfreiheitsgrad

Maximum Metrics Threshold

Gibt den Training Maximum Metrics Threshold für Trainings-, Text- und „N-fach“-Daten mithilfe der folgenden Metriken an:
  • max f1
  • max f2
  • max f0point5
  • max accuracy
  • max precision
  • max recall
  • max specificity
  • max absolute_mcc
  • max min_per_class_accuracy
  • max mean_per_class_accuracy

Konfusionsmatrix

Stellt die Leistung eines Modells in einer Reihe von Trainings-, Test- und „N-fach“-Daten bereit, bei denen die tatsächlichen Werte bekannt sind.

Standardisiertes Koeffizientendiagramm

Zeigt die wichtigsten Prädiktoren an, indem der relative Wert der Koeffizienten angegeben wird. Dieser gibt an, wie stark sich das Ziel durch eine Änderung der Eingabe verändert.

GLM-Koeffizienten

Zeigt Koeffizienten für ein Generalized Linear-Modell, das Regressionsmodelle für Ergebnisse nach Exponentialverteilungen schätzt.

AUC-Kurven

Area under the curve (Fläche unter der Kurve); bestimmt, welches der Modelle die Klassen mithilfe der Trainings-, Test- und „N-fach“-Daten am besten vorhersagt.

Anhebungs-/Verstärkungskurven

Wertet die Fähigkeit des binären Klassifizierungsmodells aus, mithilfe der Trainings-, Test- und „N-Fold“-Daten Vorhersagen zu treffe.