по дисциплине «Методо-ориентированные программные системы» deductor. Отчет по лабораторной работе 2 по дисциплине Методоориентированные программные системы
![]()
|
![]() Министерство образования и науки Российской Федерации ОТЧЕТ по лабораторной работе №2 по дисциплине «Методо-ориентированные программные системы» Содержание 1 Постановка задачи Цель работы: Развитие навыков обработки данных и прогнозирования событий, используя возможности логистической регрессии и ROC-анализ. Задание: 1. Откройте файл “CreditSample.txt”). 2. В мастере обработки выберите «Логистическая регрессия». 3. Проведите настройку нормализации полей. 4. Настройте обучающую выборку. 5. Выполните исследование по п.п 2.2 6. Проанализируйте полученные данные. 2 Ход работы 1. Импортируем файл «CreditSample.txt». ![]() Рисунок 1 – Результат импорта ![]() Рисунок 2 – Логистическая регрессия, шаг 2 ![]() Рисунок 3 – Логистическая регрессия, шаг 3 ![]() Рисунок 4 – Логистичесая регрессия, шаг 5 ![]() Рисунок 5 – Логистичесая регрессия, шаг 6 ![]() Рисунок 6 – Логистичесая регрессия, шаг 7 ![]() Рисунок 7 – Коэффициенты регрессии ![]() Рисунок 8 – Отчет по регресии ![]() Рисунок 9 – Качество классификации ![]() Рисунок 10 – Таблица сопряженности, все вместе ![]() Рисунок 11 – Таблица сопряженности, обучающее ![]() Рисунок 12 – Таблица сопряженности, тестовое ![]() Рисунок 13 – Что - если 3 Вывод В ходе лабораторной работы научились обработке данных и прогнозирования событий, используя возможности логистической регрессии и ROC-анализа. Логистическая регрессия — метод построения линейного классификатора, позволяющий оценивать апостериорные вероятности принадлежности объектов классам. ROC-кривая или кривая ошибок - показывает зависимость количества верно классифицированных положительных объектов (по оси y) от количества неверно классифицированных отрицательных объектов (по оси x). В терминологии ROC - анализа первые называются истинно положительным, вторые – ложно отрицательным множеством. |