Ein Mosaikdiagramm der Confusion-Matrix zeichnen

Das Berechnen der Leistungskennzahlen macht vielleicht Spaß, aber es wird mühsam, wenn du mehrere Confusion-Matrizen für unterschiedliche Modelle benötigst. Zum Glück kann die Methode .pred_table() die Confusion-Matrix für dich berechnen.

Außerdem kannst du die Ausgabe von .pred_table() nutzen, um die Confusion-Matrix mit der Funktion mosaic() zu visualisieren.

churn und mdl_churn_vs_relationship sind verfügbar.

Diese Übung ist Teil des Kurses

Einführung in Regression mit statsmodels in Python

Anleitung zur Übung

Importiere die Funktion mosaic() aus statsmodels.graphics.mosaicplot.
Erstelle conf_matrix mit der Methode .pred_table() und gib sie aus.
Zeichne ein Mosaikdiagramm der Confusion-Matrix.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Import mosaic from statsmodels.graphics.mosaicplot
____

# Calculate the confusion matrix conf_matrix
conf_matrix = ____

# Print it
print(conf_matrix)

# Draw a mosaic plot of conf_matrix
____
plt.show()

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Einführung in Regression mit statsmodels in Python

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Du lernst die Grundlagen dieses beliebten statistischen Modells, was Regression ist und wie sich lineare und logistische Regression unterscheiden. Anschließend erfährst du, wie du einfache lineare Regressionsmodelle mit numerischen und kategorialen erklärenden Variablen anpasst und wie du die Beziehung zwischen Ziel- und erklärenden Variablen mithilfe von Modellkoeffizienten beschreibst.

Exercise 1: Eine Geschichte von zwei Variablen Exercise 2: Welche ist die Zielvariable (Response-Variable)?Exercise 3: Zwei numerische Variablen visualisieren Exercise 4: Eine lineare Regression fitten Exercise 5: Den Achsenabschnitt schätzen Exercise 6: Schätze die Steigung Exercise 7: Lineare Regression mit ols()Exercise 8: Kategoriale erklärende Variablen Exercise 9: Numerisch vs. kategorial visualisieren Exercise 10: Mittelwerte nach Kategorie berechnen Exercise 11: Lineare Regression mit einer kategorialen erklärenden Variable

In diesem Kapitel erfährst du, wie du lineare Regressionsmodelle verwendest, um Vorhersagen zu Immobilienpreisen in Taiwan und Klicks auf Facebook-Anzeigen zu machen. Außerdem erweiterst du deine Regressionskenntnisse, indem du praktisch mit Modellobjekten arbeitest, das Konzept der „Regression zur Mitte“ verstehst und lernst, Variablen in einem Datensatz zu transformieren.

Exercise 1: Vorhersagen treffen Exercise 2: Hauspreise vorhersagen Exercise 3: Vorhersagen visualisieren Exercise 4: Die Grenzen von Vorhersagen Exercise 5: Mit Modellobjekten arbeiten Exercise 6: Modellelemente extrahieren Exercise 7: Hauspreise manuell vorhersagen Exercise 8: Regression zur Mitte Exercise 9: Home Run!Exercise 10: Aufeinanderfolgende Portfoliorenditen plotten Exercise 11: Konsekutive Renditen modellieren Exercise 12: Variablen transformieren Exercise 13: Transformation der erklärenden Variable Exercise 14: Auch die Zielvariable transformieren Exercise 15: Rücktransformation

In diesem Kapitel lernst du, wie du deinem Modell die richtigen Fragen stellst, um die Anpassung zu beurteilen. Du erfährst, wie du quantifizierst, wie gut ein lineares Regressionsmodell passt, mithilfe von Visualisierungen Modellprobleme diagnostizierst und die Hebelwirkung sowie den Einfluss jeder Beobachtung auf das Modell verstehst.

Exercise 1: Modellgüte quantifizieren Exercise 2: Bestimmtheitsmaß Exercise 3: Residuen-Standardfehler Exercise 4: Modellanpassung visualisieren Exercise 5: Residuen vs. angepasste Werte Exercise 6: Q-Q-Plot der Residuen Exercise 7: Scale-Location Exercise 8: Diagnostische Plots zeichnen Exercise 9: Ausreißer, Hebelwirkung und Einfluss Exercise 10: Leverage Exercise 11: Einfluss Exercise 12: Leverage und Einfluss extrahieren

Lerne, logistische Regressionsmodelle anzupassen. Mithilfe realer Daten sagst du die Wahrscheinlichkeit voraus, dass eine Kundin oder ein Kunde das Bankkonto schließt – sowohl als Erfolgswahrscheinlichkeit als auch als Chancenverhältnis – und quantifizierst die Modellgüte mit Konfusionsmatrizen.

Exercise 1: Warum du logistische Regression brauchst Exercise 2: Die erklärenden Variablen erkunden Exercise 3: Lineare und logistische Modelle visualisieren Exercise 4: Logistische Regression mit logit()Exercise 5: Vorhersagen und Odds Ratios Exercise 6: Wahrscheinlichkeiten Exercise 7: Wahrscheinlichstes Ergebnis Exercise 8: Quotenverhältnis (Odds Ratio)Exercise 9: Log-Odds-Ratio Exercise 10: Güte der logistischen Regression quantifizieren Exercise 11: Die Konfusionsmatrix berechnen Exercise 12: Ein Mosaikdiagramm der Confusion-Matrix zeichnen

Aktuelle Übung

Exercise 13: Accuracy, Sensitivity, Specificity Exercise 14: Leistung eines logistischen Modells messen Exercise 15: Glückwunsch