{ "cells": [ { "cell_type": "markdown", "metadata": {}, "source": [ "## 建立邏輯迴歸模型 - 第四課\n", "\n", "![邏輯迴歸與線性迴歸資訊圖](../../../../../../translated_images/linear-vs-logistic.ba180bf95e7ee66721ba10ebf2dac2666acbd64a88b003c83928712433a13c7d.tw.png)\n", "\n", "#### **[課前測驗](https://gray-sand-07a10f403.1.azurestaticapps.net/quiz/15/)**\n", "\n", "#### 介紹\n", "\n", "在這最後一課關於迴歸的課程中，我們將探討邏輯迴歸，這是基本的*經典*機器學習技術之一。你可以使用這種技術來發現模式並預測二元分類。例如：這顆糖果是巧克力還是不是？這種疾病是否具有傳染性？這位顧客是否會選擇這個產品？\n", "\n", "在本課中，你將學到：\n", "\n", "- 邏輯迴歸的技術\n", "\n", "✅ 在這個 [學習模組](https://learn.microsoft.com/training/modules/introduction-classification-models/?WT.mc_id=academic-77952-leestott) 中深入了解如何使用這種類型的迴歸。\n", "\n", "## 前置條件\n", "\n", "在使用南瓜數據後，我們已經足夠熟悉它，並意識到有一個二元分類可以使用：`Color`。\n", "\n", "讓我們建立一個邏輯迴歸模型，根據一些變數來預測*某個南瓜可能的顏色*（橙色 🎃 或白色 👻）。\n", "\n", "> 為什麼我們在迴歸課程中討論二元分類？僅僅是出於語言上的方便，因為邏輯迴歸[實際上是一種分類方法](https://scikit-learn.org/stable/modules/linear_model.html#logistic-regression)，儘管它是基於線性的。在下一組課程中，了解其他分類數據的方法。\n", "\n", "在本課中，我們需要以下套件：\n", "\n", "- `tidyverse`： [tidyverse](https://www.tidyverse.org/) 是一個 [R 套件集合](https://www.tidyverse.org/packages)，旨在讓數據科學更快速、更簡單、更有趣！\n", "\n", "- `tidymodels`： [tidymodels](https://www.tidymodels.org/) 框架是一個 [套件集合](https://www.tidymodels.org/packages/) 用於建模和機器學習。\n", "\n", "- `janitor`： [janitor 套件](https://github.com/sfirke/janitor) 提供簡單的工具來檢查和清理髒數據。\n", "\n", "- `ggbeeswarm`： [ggbeeswarm 套件](https://github.com/eclarke/ggbeeswarm) 提供使用 ggplot2 創建蜜蜂群樣式圖的方法。\n", "\n", "你可以通過以下方式安裝它們：\n", "\n", "`install.packages(c(\"tidyverse\", \"tidymodels\", \"janitor\", \"ggbeeswarm\"))`\n", "\n", "或者，下面的腳本會檢查你是否已安裝完成本模組所需的套件，並在缺少時為你安裝。\n" ] }, { "cell_type": "code", "execution_count": null, "metadata": { "vscode": { "languageId": "r" } }, "outputs": [], "source": [ "suppressWarnings(if (!require(\"pacman\"))install.packages(\"pacman\"))\n", "\n", "pacman::p_load(tidyverse, tidymodels, janitor, ggbeeswarm)\n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "## **定義問題**\n", "\n", "在我們的情境中，我們將問題表述為二元分類：「白色」或「非白色」。在我們的數據集中還有一個「條紋」類別，但由於其樣本數量很少，我們不會使用它。無論如何，當我們從數據集中移除空值後，它就會消失。\n", "\n", "> 🎃 有趣的小知識，我們有時會稱白色南瓜為「幽靈」南瓜。它們不太容易雕刻，因此不像橙色南瓜那麼受歡迎，但它們看起來很酷！所以我們也可以將問題重新表述為：「幽靈」或「非幽靈」。👻\n", "\n", "## **關於邏輯回歸**\n", "\n", "邏輯回歸與之前學過的線性回歸在幾個重要方面有所不同。\n", "\n", "#### **二元分類**\n", "\n", "邏輯回歸不提供與線性回歸相同的功能。前者提供對「二元類別」（例如「橙色或非橙色」）的預測，而後者則能預測「連續值」，例如根據南瓜的來源和收穫時間，*價格將上漲多少*。\n", "\n", "![Dasani Madipalli 的資訊圖表](../../../../../../translated_images/pumpkin-classifier.562771f104ad5436b87d1c67bca02a42a17841133556559325c0a0e348e5b774.tw.png)\n", "\n", "### 其他分類方式\n", "\n", "邏輯回歸還有其他類型，包括多項式和序列式：\n", "\n", "- **多項式**，涉及多於一個類別——「橙色、白色和條紋」。\n", "\n", "- **序列式**，涉及有序的類別，適合我們希望按邏輯順序排列結果的情況，例如南瓜按有限的尺寸（迷你、小、中、大、特大、超大）排序。\n", "\n", "![多項式 vs 序列式回歸](../../../../../../translated_images/multinomial-vs-ordinal.36701b4850e37d86c9dd49f7bef93a2f94dbdb8fe03443eb68f0542f97f28f29.tw.png)\n", "\n", "#### **變數不必相關**\n", "\n", "還記得線性回歸在變數相關性更高時效果更好嗎？邏輯回歸則相反——變數不必相關。這適用於我們的數據，因為它的相關性相對較弱。\n", "\n", "#### **需要大量乾淨的數據**\n", "\n", "如果使用更多數據，邏輯回歸會給出更準確的結果；我們的小型數據集並不適合這項任務，因此請記住這一點。\n", "\n", "✅ 思考哪些類型的數據適合邏輯回歸\n", "\n", "## 練習 - 整理數據\n", "\n", "首先，稍微清理一下數據，刪除空值並僅選擇部分列：\n", "\n", "1. 添加以下程式碼：\n" ] }, { "cell_type": "code", "execution_count": null, "metadata": { "vscode": { "languageId": "r" } }, "outputs": [], "source": [ "# Load the core tidyverse packages\n", "library(tidyverse)\n", "\n", "# Import the data and clean column names\n", "pumpkins <- read_csv(file = \"https://raw.githubusercontent.com/microsoft/ML-For-Beginners/main/2-Regression/data/US-pumpkins.csv\") %>% \n", " clean_names()\n", "\n", "# Select desired columns\n", "pumpkins_select <- pumpkins %>% \n", " select(c(city_name, package, variety, origin, item_size, color)) \n", "\n", "# Drop rows containing missing values and encode color as factor (category)\n", "pumpkins_select <- pumpkins_select %>% \n", " drop_na() %>% \n", " mutate(color = factor(color))\n", "\n", "# View the first few rows\n", "pumpkins_select %>% \n", " slice_head(n = 5)\n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "您可以隨時使用 [*glimpse()*](https://pillar.r-lib.org/reference/glimpse.html) 函數來快速查看您的新資料框，如下所示：\n" ] }, { "cell_type": "code", "execution_count": null, "metadata": { "vscode": { "languageId": "r" } }, "outputs": [], "source": [ "pumpkins_select %>% \n", " glimpse()\n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "讓我們確認一下，我們確實是在處理一個二元分類問題：\n" ] }, { "cell_type": "code", "execution_count": null, "metadata": { "vscode": { "languageId": "r" } }, "outputs": [], "source": [ "# Subset distinct observations in outcome column\n", "pumpkins_select %>% \n", " distinct(color)\n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### 視覺化 - 類別圖\n", "現在，您已再次載入南瓜數據並進行清理，以保留包含一些變數（包括顏色）的數據集。讓我們使用 ggplot 庫在筆記本中視覺化這個數據框。\n", "\n", "ggplot 庫提供了一些很棒的方法來視覺化您的數據。例如，您可以在類別圖中比較每種品種和顏色的數據分佈。\n", "\n", "1. 使用 geombar 函數創建這樣的圖，使用我們的南瓜數據，並為每個南瓜類別（橙色或白色）指定顏色映射：\n" ] }, { "cell_type": "code", "execution_count": null, "metadata": { "vscode": { "languageId": "python" } }, "outputs": [], "source": [ "# Specify colors for each value of the hue variable\n", "palette <- c(ORANGE = \"orange\", WHITE = \"wheat\")\n", "\n", "# Create the bar plot\n", "ggplot(pumpkins_select, aes(y = variety, fill = color)) +\n", " geom_bar(position = \"dodge\") +\n", " scale_fill_manual(values = palette) +\n", " labs(y = \"Variety\", fill = \"Color\") +\n", " theme_minimal()" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "透過觀察這些數據，您可以看到顏色數據與品種之間的關聯。\n", "\n", "✅ 根據這個分類圖，您能想到哪些有趣的探索方向？\n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "### 資料前處理：特徵編碼\n", "\n", "我們的南瓜數據集中的所有欄位都包含字串值。對於人類來說，處理類別型數據是直觀的，但對機器來說並非如此。機器學習算法對數字數據的處理效果更佳。因此，編碼是資料前處理階段中非常重要的一步，因為它使我們能夠將類別型數據轉換為數值型數據，同時不丟失任何信息。良好的編碼有助於構建出色的模型。\n", "\n", "在特徵編碼中，主要有兩種類型的編碼器：\n", "\n", "1. **序數編碼器（Ordinal encoder）**：適用於序數變數，這類變數是具有邏輯順序的類別型變數，例如我們數據集中的 `item_size` 欄位。序數編碼器會創建一個映射，使每個類別用一個數字表示，這個數字代表該類別在欄位中的順序。\n", "\n", "2. **類別編碼器（Categorical encoder）**：適用於名義變數，這類變數是沒有邏輯順序的類別型變數，例如我們數據集中除了 `item_size` 以外的所有特徵。這是一種獨熱編碼（one-hot encoding），每個類別會用一個二進位欄位表示：如果南瓜屬於該品種，則編碼變數為 1，否則為 0。\n", "\n", "Tidymodels 提供了另一個非常方便的套件：[recipes](https://recipes.tidymodels.org/)，這是一個用於資料前處理的套件。我們將定義一個 `recipe`，指定所有的預測欄位應被編碼為一組整數，然後使用 `prep` 來估算任何操作所需的數量和統計數據，最後使用 `bake` 將計算應用到新數據上。\n", "\n", "> 通常，recipes 通常用作建模的前處理器，用於定義應該對數據集應用哪些步驟以使其準備好進行建模。在這種情況下，**強烈建議** 使用 `workflow()`，而不是手動使用 prep 和 bake 來估算 recipe。我們稍後會看到這些內容。\n", ">\n", "> 不過，目前我們使用 recipes + prep + bake 來指定應該對數據集應用哪些步驟，使其準備好進行數據分析，然後提取應用步驟後的前處理數據。\n" ] }, { "cell_type": "code", "execution_count": null, "metadata": { "vscode": { "languageId": "r" } }, "outputs": [], "source": [ "# Preprocess and extract data to allow some data analysis\n", "baked_pumpkins <- recipe(color ~ ., data = pumpkins_select) %>%\n", " # Define ordering for item_size column\n", " step_mutate(item_size = ordered(item_size, levels = c('sml', 'med', 'med-lge', 'lge', 'xlge', 'jbo', 'exjbo'))) %>%\n", " # Convert factors to numbers using the order defined above (Ordinal encoding)\n", " step_integer(item_size, zero_based = F) %>%\n", " # Encode all other predictors using one hot encoding\n", " step_dummy(all_nominal(), -all_outcomes(), one_hot = TRUE) %>%\n", " prep(data = pumpkin_select) %>%\n", " bake(new_data = NULL)\n", "\n", "# Display the first few rows of preprocessed data\n", "baked_pumpkins %>% \n", " slice_head(n = 5)\n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "✅ 使用序數編碼器處理 Item Size 欄位有什麼優勢？\n", "\n", "### 分析變數之間的關係\n", "\n", "現在我們已經完成了資料的前處理，可以開始分析特徵與標籤之間的關係，以了解模型在給定特徵的情況下能多好地預測標籤。進行這類分析的最佳方法是繪製數據圖表。 \n", "我們將再次使用 ggplot 的 geom_boxplot_ 函數，以分類圖的形式可視化 Item Size、Variety 和 Color 之間的關係。為了更好地繪製數據，我們將使用編碼後的 Item Size 欄位以及未編碼的 Variety 欄位。\n" ] }, { "cell_type": "code", "execution_count": null, "metadata": { "vscode": { "languageId": "r" } }, "outputs": [], "source": [ "# Define the color palette\n", "palette <- c(ORANGE = \"orange\", WHITE = \"wheat\")\n", "\n", "# We need the encoded Item Size column to use it as the x-axis values in the plot\n", "pumpkins_select_plot<-pumpkins_select\n", "pumpkins_select_plot$item_size <- baked_pumpkins$item_size\n", "\n", "# Create the grouped box plot\n", "ggplot(pumpkins_select_plot, aes(x = `item_size`, y = color, fill = color)) +\n", " geom_boxplot() +\n", " facet_grid(variety ~ ., scales = \"free_x\") +\n", " scale_fill_manual(values = palette) +\n", " labs(x = \"Item Size\", y = \"\") +\n", " theme_minimal() +\n", " theme(strip.text = element_text(size = 12)) +\n", " theme(axis.text.x = element_text(size = 10)) +\n", " theme(axis.title.x = element_text(size = 12)) +\n", " theme(axis.title.y = element_blank()) +\n", " theme(legend.position = \"bottom\") +\n", " guides(fill = guide_legend(title = \"Color\")) +\n", " theme(panel.spacing = unit(0.5, \"lines\"))+\n", " theme(strip.text.y = element_text(size = 4, hjust = 0)) \n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "#### 使用群集圖\n", "\n", "由於 Color 是一個二元分類（白色或非白色），因此需要「[專門的方法](https://github.com/rstudio/cheatsheets/blob/main/data-visualization.pdf)」來進行視覺化。\n", "\n", "嘗試使用 `群集圖` 來展示顏色在 item_size 上的分佈。\n", "\n", "我們將使用 [ggbeeswarm 套件](https://github.com/eclarke/ggbeeswarm)，該套件提供使用 ggplot2 創建蜜蜂群樣式圖的方法。蜜蜂群圖是一種將原本會重疊的點排列在彼此旁邊的繪圖方式。\n" ] }, { "cell_type": "code", "execution_count": null, "metadata": { "vscode": { "languageId": "r" } }, "outputs": [], "source": [ "# Create beeswarm plots of color and item_size\n", "baked_pumpkins %>% \n", " mutate(color = factor(color)) %>% \n", " ggplot(mapping = aes(x = color, y = item_size, color = color)) +\n", " geom_quasirandom() +\n", " scale_color_brewer(palette = \"Dark2\", direction = -1) +\n", " theme(legend.position = \"none\")\n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "現在我們已經了解顏色的二元分類與更大尺寸組別之間的關係，接下來讓我們探討如何使用邏輯迴歸來判斷南瓜可能的顏色。\n", "\n", "## 建立模型\n", "\n", "選擇您想用於分類模型的變數，並將數據分成訓練集和測試集。[rsample](https://rsample.tidymodels.org/) 是 Tidymodels 中的一個套件，提供了高效的數據分割和重抽樣基礎設施：\n" ] }, { "cell_type": "code", "execution_count": null, "metadata": { "vscode": { "languageId": "r" } }, "outputs": [], "source": [ "# Split data into 80% for training and 20% for testing\n", "set.seed(2056)\n", "pumpkins_split <- pumpkins_select %>% \n", " initial_split(prop = 0.8)\n", "\n", "# Extract the data in each split\n", "pumpkins_train <- training(pumpkins_split)\n", "pumpkins_test <- testing(pumpkins_split)\n", "\n", "# Print out the first 5 rows of the training set\n", "pumpkins_train %>% \n", " slice_head(n = 5)\n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "🙌 我們現在準備透過將訓練特徵與訓練標籤（顏色）配對來訓練模型。\n", "\n", "我們將從建立一個配方開始，該配方指定了對數據進行建模前需要執行的預處理步驟，例如：將分類變數編碼為一組整數。就像 `baked_pumpkins` 一樣，我們創建了一個 `pumpkins_recipe`，但不進行 `prep` 和 `bake`，因為這些步驟將被整合到工作流程中，稍後您將看到。\n", "\n", "在 Tidymodels 中有許多方法可以指定邏輯回歸模型。請參考 `?logistic_reg()`。目前，我們將通過預設的 `stats::glm()` 引擎來指定邏輯回歸模型。\n" ] }, { "cell_type": "code", "execution_count": null, "metadata": { "vscode": { "languageId": "r" } }, "outputs": [], "source": [ "# Create a recipe that specifies preprocessing steps for modelling\n", "pumpkins_recipe <- recipe(color ~ ., data = pumpkins_train) %>% \n", " step_mutate(item_size = ordered(item_size, levels = c('sml', 'med', 'med-lge', 'lge', 'xlge', 'jbo', 'exjbo'))) %>%\n", " step_integer(item_size, zero_based = F) %>% \n", " step_dummy(all_nominal(), -all_outcomes(), one_hot = TRUE)\n", "\n", "# Create a logistic model specification\n", "log_reg <- logistic_reg() %>% \n", " set_engine(\"glm\") %>% \n", " set_mode(\"classification\")\n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "現在我們已經有了配方和模型規範，接下來需要找到一種方法將它們整合成一個物件。這個物件首先會對資料進行前處理（在幕後執行 prep 和 bake），然後基於前處理後的資料擬合模型，並且還能支持潛在的後處理活動。\n", "\n", "在 Tidymodels 中，這個方便的物件稱為 [`workflow`](https://workflows.tidymodels.org/)，它能輕鬆地整合你的建模組件。\n" ] }, { "cell_type": "code", "execution_count": null, "metadata": { "vscode": { "languageId": "r" } }, "outputs": [], "source": [ "# Bundle modelling components in a workflow\n", "log_reg_wf <- workflow() %>% \n", " add_recipe(pumpkins_recipe) %>% \n", " add_model(log_reg)\n", "\n", "# Print out the workflow\n", "log_reg_wf\n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "在*指定*工作流程後，可以使用[`fit()`](https://tidymodels.github.io/parsnip/reference/fit.html)函數來`訓練`模型。工作流程會估算配方並在訓練前預處理數據，因此我們不需要手動使用prep和bake來完成這些步驟。\n" ] }, { "cell_type": "code", "execution_count": null, "metadata": { "vscode": { "languageId": "r" } }, "outputs": [], "source": [ "# Train the model\n", "wf_fit <- log_reg_wf %>% \n", " fit(data = pumpkins_train)\n", "\n", "# Print the trained workflow\n", "wf_fit\n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "模型訓練完成後，會顯示訓練過程中學到的係數。\n", "\n", "現在我們已使用訓練數據完成模型訓練，可以使用 [parsnip::predict()](https://parsnip.tidymodels.org/reference/predict.model_fit.html) 對測試數據進行預測。讓我們先使用模型為測試集預測標籤以及每個標籤的概率。當概率大於 0.5 時，預測類別為 `WHITE`，否則為 `ORANGE`。\n" ] }, { "cell_type": "code", "execution_count": null, "metadata": { "vscode": { "languageId": "r" } }, "outputs": [], "source": [ "# Make predictions for color and corresponding probabilities\n", "results <- pumpkins_test %>% select(color) %>% \n", " bind_cols(wf_fit %>% \n", " predict(new_data = pumpkins_test)) %>%\n", " bind_cols(wf_fit %>%\n", " predict(new_data = pumpkins_test, type = \"prob\"))\n", "\n", "# Compare predictions\n", "results %>% \n", " slice_head(n = 10)\n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "非常棒！這提供了更多關於邏輯迴歸如何運作的深入見解。\n", "\n", "### 透過混淆矩陣更好地理解\n", "\n", "將每個預測與其對應的「真實值」進行比較並不是判斷模型預測效果的高效方法。幸運的是，Tidymodels 還有一些其他的技巧：[`yardstick`](https://yardstick.tidymodels.org/)——一個用於通過性能指標衡量模型效果的套件。\n", "\n", "與分類問題相關的一個性能指標是[`混淆矩陣`](https://wikipedia.org/wiki/Confusion_matrix)。混淆矩陣描述了分類模型的表現如何。混淆矩陣統計了模型正確分類每個類別的例子數量。在我們的例子中，它會顯示有多少橙色南瓜被分類為橙色，有多少白色南瓜被分類為白色；混淆矩陣還會顯示有多少被分類到了**錯誤**的類別。\n", "\n", "yardstick 的 [**`conf_mat()`**](https://tidymodels.github.io/yardstick/reference/conf_mat.html) 函數可以計算觀察值和預測類別的交叉統計表。\n" ] }, { "cell_type": "code", "execution_count": null, "metadata": { "vscode": { "languageId": "r" } }, "outputs": [], "source": [ "# Confusion matrix for prediction results\n", "conf_mat(data = results, truth = color, estimate = .pred_class)\n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "讓我們來解讀混淆矩陣。模型需要將南瓜分類為兩個二元類別，類別 `white` 和類別 `not-white`。\n", "\n", "- 如果模型預測南瓜為白色，且實際屬於「白色」類別，我們稱之為 `true positive`，顯示在左上角的數字。\n", "\n", "- 如果模型預測南瓜為非白色，但實際屬於「白色」類別，我們稱之為 `false negative`，顯示在左下角的數字。\n", "\n", "- 如果模型預測南瓜為白色，但實際屬於「非白色」類別，我們稱之為 `false positive`，顯示在右上角的數字。\n", "\n", "- 如果模型預測南瓜為非白色，且實際屬於「非白色」類別，我們稱之為 `true negative`，顯示在右下角的數字。\n", "\n", "| 真實值 |\n", "|:-----:|\n", "\n", "| | | |\n", "|---------------|--------|-------|\n", "| **預測值** | WHITE | ORANGE |\n", "| WHITE | TP | FP |\n", "| ORANGE | FN | TN |\n", "\n", "如你所料，理想情況是擁有更多的 `true positive` 和 `true negative`，以及更少的 `false positive` 和 `false negative`，這意味著模型表現更好。\n", "\n", "混淆矩陣非常有用，因為它衍生出其他指標，幫助我們更好地評估分類模型的性能。讓我們來看看其中一些指標：\n", "\n", "🎓 精確度 (Precision): `TP/(TP + FP)`，定義為預測為正確的樣本中實際為正確的比例。也稱為[正確預測值](https://en.wikipedia.org/wiki/Positive_predictive_value \"Positive predictive value\")。\n", "\n", "🎓 召回率 (Recall): `TP/(TP + FN)`，定義為實際為正確的樣本中被正確預測的比例。也稱為 `敏感度`。\n", "\n", "🎓 特異性 (Specificity): `TN/(TN + FP)`，定義為實際為負樣本中被正確預測的比例。\n", "\n", "🎓 準確率 (Accuracy): `(TP + TN)/(TP + TN + FP + FN)`，樣本中被正確預測的標籤所佔的百分比。\n", "\n", "🎓 F 值 (F Measure): 精確度和召回率的加權平均值，最佳值為 1，最差值為 0。\n", "\n", "讓我們來計算這些指標吧！\n" ] }, { "cell_type": "code", "execution_count": null, "metadata": { "vscode": { "languageId": "r" } }, "outputs": [], "source": [ "# Combine metric functions and calculate them all at once\n", "eval_metrics <- metric_set(ppv, recall, spec, f_meas, accuracy)\n", "eval_metrics(data = results, truth = color, estimate = .pred_class)\n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "## 視覺化此模型的 ROC 曲線\n", "\n", "讓我們再進行一次視覺化，來看看所謂的 [`ROC 曲線`](https://en.wikipedia.org/wiki/Receiver_operating_characteristic)：\n" ] }, { "cell_type": "code", "execution_count": null, "metadata": { "vscode": { "languageId": "r" } }, "outputs": [], "source": [ "# Make a roc_curve\n", "results %>% \n", " roc_curve(color, .pred_ORANGE) %>% \n", " autoplot()\n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "ROC 曲線通常用來檢視分類器在真陽性與假陽性方面的表現。ROC 曲線通常在 Y 軸上顯示「真陽性率」/敏感度，在 X 軸上顯示「假陽性率」/1-特異性。因此，曲線的陡峭程度以及曲線與中線之間的空間非常重要：理想的曲線應該迅速向上並超越中線。在我們的例子中，起初會有一些假陽性，然後曲線正確地向上並超越。\n", "\n", "最後，我們使用 `yardstick::roc_auc()` 來計算實際的曲線下面積（AUC）。AUC 的一種解釋方式是模型將隨機正例排序高於隨機負例的概率。\n" ] }, { "cell_type": "code", "execution_count": null, "metadata": { "vscode": { "languageId": "r" } }, "outputs": [], "source": [ "# Calculate area under curve\n", "results %>% \n", " roc_auc(color, .pred_ORANGE)\n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "結果約為 `0.975`。由於 AUC 的範圍是從 0 到 1，你希望分數越高越好，因為一個模型如果能 100% 正確地進行預測，其 AUC 將為 1；在這種情況下，這個模型表現*相當不錯*。\n", "\n", "在未來的分類課程中，你將學習如何提升模型的分數（例如在這種情況下處理數據不平衡問題）。\n", "\n", "## 🚀挑戰\n", "\n", "關於邏輯迴歸還有很多內容可以深入探討！但最好的學習方式是進行實驗。找一個適合這類分析的數據集，並用它建立一個模型。你學到了什麼？提示：可以試試 [Kaggle](https://www.kaggle.com/search?q=logistic+regression+datasets) 上有趣的數據集。\n", "\n", "## 回顧與自學\n", "\n", "閱讀 [斯坦福這篇論文](https://web.stanford.edu/~jurafsky/slp3/5.pdf) 的前幾頁，了解邏輯迴歸的一些實際應用。思考哪些任務更適合我們到目前為止所學的迴歸類型。哪一種方法效果最好？\n" ] }, { "cell_type": "markdown", "metadata": {}, "source": [ "\n---\n\n**免責聲明**： \n本文件已使用 AI 翻譯服務 [Co-op Translator](https://github.com/Azure/co-op-translator) 進行翻譯。儘管我們努力確保翻譯的準確性，但請注意，自動翻譯可能包含錯誤或不準確之處。原始文件的母語版本應被視為權威來源。對於關鍵資訊，建議尋求專業人工翻譯。我們對因使用此翻譯而引起的任何誤解或錯誤解釋不承擔責任。\n" ] } ], "metadata": { "anaconda-cloud": "", "kernelspec": { "display_name": "R", "langauge": "R", "name": "ir" }, "language_info": { "codemirror_mode": "r", "file_extension": ".r", "mimetype": "text/x-r-source", "name": "R", "pygments_lexer": "r", "version": "3.4.1" }, "coopTranslator": { "original_hash": "feaf125f481a89c468fa115bf2aed580", "translation_date": "2025-09-03T19:38:50+00:00", "source_file": "2-Regression/4-Logistic/solution/R/lesson_4-R.ipynb", "language_code": "tw" } }, "nbformat": 4, "nbformat_minor": 1 }