欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

R語言利用caret包比較ROC曲線的操作

 更新時間:2021年04月06日 10:38:00   作者:Jack_丁明  
這篇文章主要介紹了R語言利用caret包比較ROC曲線的操作,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧

說明

我們之前探討了多種算法,每種算法都有優(yōu)缺點,因而當(dāng)我們針對具體問題去判斷選擇那種算法時,必須對不同的預(yù)測模型進(jìn)行重做評估。

為了簡化這個過程,我們使用caret包來生成并比較不同的模型與性能。

操作

加載對應(yīng)的包與將訓(xùn)練控制算法設(shè)置為10折交叉驗證,重復(fù)次數(shù)為3:

library(ROCR)
library(e1071)
library("pROC")
library(caret)
library("pROC")
control = trainControl(method = "repaetedcv",
   number = 10,
   repeats =3,
   classProbs = TRUE,
   summaryFunction = twoClassSummary)

使用glm在訓(xùn)練數(shù)據(jù)集上訓(xùn)練一個分類器

glm.model = train(churn ~ .,
   data= trainset,
   method = "glm",
   metric = "ROC",
   trControl = control)

使用svm在訓(xùn)練數(shù)據(jù)集上訓(xùn)練一個分類器

svm.model = train(churn ~ .,
   data= trainset,
   method = "svmRadial",
   metric = "ROC",
   trControl = control)

使用rpart函數(shù)查看rpart在訓(xùn)練數(shù)據(jù)集上的運行情況

rpart.model = train(churn ~ .,
   data = trainset,
   method = "svmRadial",
   metric = "ROC",
   trControl = control)

使用不同的已經(jīng)訓(xùn)練好的數(shù)據(jù)分類預(yù)測:

glm.probs = predict(glm.model,testset[,!names(testset) %in% c("churn")],type = "prob")
svm.probs = predict(svm.model,testset[,!names(testset) %in% c("churn")],type = "prob")
rpart.probs = predict(rpart.model,testset[,!names(testset) %in% c("churn")],type = "prob")

生成每個模型的ROC曲線,將它們繪制在一個圖中:

glm.ROC = roc(response = testset[,c("churn")],
  predictor = glm.probs$yes,
  levels = levels(testset[,c("churn")]))
plot(glm.ROC,type = "S",col = "red")
svm.ROC = roc(response = testset[,c("churn")],
  predictor = svm.probs$yes,
  levels = levels(testset[,c("churn")]))
plot(svm.ROC,add = TRUE,col = "green")
rpart.ROC = roc(response = testset[,c("churn")],
  predictor = rpart.probs$yes,
  levels = levels(testset[,c("churn")]))
plot(rpart.ROC,add = TRUE,col = "blue")

三種分類器的ROC曲線

說明

將不同的分類模型的ROC曲線繪制在同一個圖中進(jìn)行比較,設(shè)置訓(xùn)練過程的控制參數(shù)為重復(fù)三次的10折交叉驗證,模型性能的評估參數(shù)為twoClassSummary,然后在使用glm,svm,rpart,三種不同的方法建立分類模型。

從圖中可以看出,svm對訓(xùn)練集的預(yù)測結(jié)果(未調(diào)優(yōu))是三種分類算法里最好的。

補充:R語言利用caret包比較模型性能差異

說明

我們可以通過重采樣的方法得對每一個匹配模型的統(tǒng)計信息,包括ROC曲線,靈敏度與特異度,然后基于這些統(tǒng)計信息來比較不同模型的性能差異。

操作

利用上節(jié)的信息,準(zhǔn)備好glm分類模型,svm分類模型,rpart分類模型,并存放在glm.model,svm.model,rpart.model。

cv.values = resamples(list(glm = glm.model,svm =svm.model,rpart = rpart.model))
> summary(cv.values)
Call:
summary.resamples(object = cv.values)
Models: glm, svm, rpart 
Number of resamples: 30 
ROC 
  Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
glm 0.7597790 0.7927740 0.8040455 0.8106454 0.8347961 0.8760824 0
svm 0.8191998 0.8786439 0.8945208 0.8947360 0.9196775 0.9562556 0
rpart 0.6064540 0.7150320 0.7608241 0.7556544 0.8086731 0.8554750 0
Sens 
  Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
glm 0.08823529 0.1764706 0.2058824 0.2124930 0.2516807 0.3235294 0
svm 0.44117647 0.5294118 0.5882353 0.5956863 0.6470588 0.7941176 0
rpart 0.20000000 0.4117647 0.4705882 0.4787955 0.5514706 0.7352941 0
Spec 
  Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
glm 0.9393939 0.9645119 0.9721581 0.9702721 0.9796954 0.9898477 0
svm 0.9494949 0.9695431 0.9771574 0.9755004 0.9847716 0.9898990 0
rpart 0.9492386 0.9746193 0.9796954 0.9780359 0.9848485 1.0000000 0

使用dotplot函數(shù)繪制重采樣在ROC曲線度量中的結(jié)果:

dotplot(cv.values,metric = "ROC")

使用箱線圖繪制重采樣結(jié)果:

bwplot(cv.values,layout=c(3,1))

重采樣結(jié)果箱線圖

說明

我們使用resample函數(shù)生成各個模型的統(tǒng)計信息,再調(diào)用summary函數(shù)輸出三個模型在ROC、靈敏度及特異性上的統(tǒng)計信息。

使用dotplot方法處理重采樣結(jié)果來觀測不同模型ROC差異,最后,采用箱線圖在同一張圖上對ROC、靈敏度及特異方面的差別進(jìn)行比較。

以上為個人經(jīng)驗,希望能給大家一個參考,也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方,望不吝賜教。

您可能感興趣的文章:

相關(guān)文章

  • R語言安裝以及手動安裝devtools的詳細(xì)圖文教程

    R語言安裝以及手動安裝devtools的詳細(xì)圖文教程

    R語言是一個強大的數(shù)據(jù)分析工具,其強大之處在于有各種各樣的R包幫助其實現(xiàn)各種各樣的功能,下面這篇文章主要給大家介紹了關(guān)于R語言安裝以及手動安裝devtools的相關(guān)資料,需要的朋友可以參考下
    2022-08-08
  • R語言利用ggplot2繪制QQ圖和箱線圖詳解

    R語言利用ggplot2繪制QQ圖和箱線圖詳解

    這篇文章主要為大家介紹了R語言如何利用ggplot2繪制QQ圖和箱線圖,文中的示例代碼講解詳細(xì),對我們學(xué)習(xí)R語言有一定的幫助,需要的可以參考一下
    2022-06-06
  • R語言學(xué)習(xí)之火山圖的繪制詳解

    R語言學(xué)習(xí)之火山圖的繪制詳解

    火山圖作為散點圖的一種,將統(tǒng)計測試中的統(tǒng)計顯著性量度和變化幅度相結(jié)合,從而能夠幫助快速直觀地識別那些變化幅度較大且具有統(tǒng)計學(xué)意義的數(shù)據(jù)點。本文將為大家詳細(xì)介紹如何利用R語言繪制火山圖,需要的可以參考一下
    2022-03-03
  • R語言繪圖公式與變量對象混合拼接實現(xiàn)方法

    R語言繪圖公式與變量對象混合拼接實現(xiàn)方法

    這篇文章主要為大家介紹了R語言繪圖中的公式如何與變量對象混合拼接的實現(xiàn)方法,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步
    2021-11-11
  • Java調(diào)用R語言實例講解

    Java調(diào)用R語言實例講解

    這篇文章主要介紹了Java調(diào)用R語言實例講解,文中代碼講解的很清晰,有需要的同學(xué)可以研究下
    2021-03-03
  • R語言實現(xiàn)對數(shù)據(jù)框按某一列分組求組內(nèi)平均值

    R語言實現(xiàn)對數(shù)據(jù)框按某一列分組求組內(nèi)平均值

    這篇文章主要介紹了R語言實現(xiàn)對數(shù)據(jù)框按某一列分組求組內(nèi)平均值,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2021-03-03
  • R語言學(xué)習(xí)筆記之lm函數(shù)詳解

    R語言學(xué)習(xí)筆記之lm函數(shù)詳解

    這篇文章主要介紹了R語言學(xué)習(xí)筆記之lm函數(shù)詳解,本文給大家介紹的非常詳細(xì),對大家的學(xué)習(xí)或工作具有一定的參考借鑒價值,需要的朋友可以參考下
    2021-03-03
  • R語言基礎(chǔ)統(tǒng)計方法圖文實例講解

    R語言基礎(chǔ)統(tǒng)計方法圖文實例講解

    這篇文章主要介紹了R語言基礎(chǔ)統(tǒng)計方法圖文實例講解,文中圖文合并講解的很透徹,有感興趣的同學(xué)可以研究下
    2021-03-03
  • 最新評論