计算分类模型的 Brier 分数。
用法
brier_class(data, ...)
# S3 method for data.frame
brier_class(data, truth, ..., na_rm = TRUE, case_weights = NULL)
brier_class_vec(truth, estimate, na_rm = TRUE, case_weights = NULL, ...)
参数
- data
-
包含
truth
和...
指定的列的data.frame
。 - ...
-
一组不带引号的列名称或一个或多个
dplyr
选择器函数,用于选择哪些变量包含类概率。如果truth
是二进制,则仅应选择 1 列,并且它应对应于event_level
的值。否则,列的数量应与truth
的因子级别一样多,并且列的顺序应与truth
的因子级别相同。 - truth
-
真实类结果的列标识符(即
factor
)。这应该是一个不带引号的列名,尽管此参数是通过表达式传递的并且支持quasiquotation(您可以不带引号的列名)。对于_vec()
函数,一个factor
向量。 - na_rm
-
logical
值,指示在计算继续之前是否应剥离NA
值。 - case_weights
-
案例权重的可选列标识符。这应该是一个不带引号的列名称,其计算结果为
data
中的数字列。对于_vec()
函数,一个数值向量。 - estimate
-
如果
truth
是二进制的,对应于 "relevant" 类的类概率的数值向量。否则,矩阵的列数与因子级别一样多truth
.假设它们的顺序与truth
的级别相同。
值
tibble
包含列 .metric
、 .estimator
和 .estimate
以及 1 行值。
对于分组 DataFrame ,返回的行数将与组数相同。
对于 brier_class_vec()
,单个 numeric
值(或 NA
)。
细节
Brier 分数类似于回归模型中的均方误差。类别的二元指标与其对应的类别概率之间的差值被平方并平均。
该函数使用 Kruppa 等人 (2014) 中的约定并将结果除以二。
较小的分数值与更好的模型性能相关。
参考
Kruppa, J.、Liu, Y.、Diener, H.-C.、Holste, T.、Weimar, C.、Koonig, I. R. 和 Ziegler, A. (2014) 使用机器学习方法进行二分类和多类别概率估计结果:应用程序。生物识别杂志,56 (4):564-583。
也可以看看
其他类概率指标:average_precision()
, classification_cost()
, gain_capture()
, mn_log_loss()
, pr_auc()
, roc_auc()
, roc_aunp()
, roc_aunu()
例子
# Two class
data("two_class_example")
brier_class(two_class_example, truth, Class1)
#> # A tibble: 1 × 3
#> .metric .estimator .estimate
#> <chr> <chr> <dbl>
#> 1 brier_class binary 0.106
# Multiclass
library(dplyr)
data(hpc_cv)
# You can use the col1:colN tidyselect syntax
hpc_cv %>%
filter(Resample == "Fold01") %>%
brier_class(obs, VF:L)
#> # A tibble: 1 × 3
#> .metric .estimator .estimate
#> <chr> <chr> <dbl>
#> 1 brier_class multiclass 0.202
# Groups are respected
hpc_cv %>%
group_by(Resample) %>%
brier_class(obs, VF:L)
#> # A tibble: 10 × 4
#> Resample .metric .estimator .estimate
#> <chr> <chr> <chr> <dbl>
#> 1 Fold01 brier_class multiclass 0.202
#> 2 Fold02 brier_class multiclass 0.215
#> 3 Fold03 brier_class multiclass 0.177
#> 4 Fold04 brier_class multiclass 0.204
#> 5 Fold05 brier_class multiclass 0.213
#> 6 Fold06 brier_class multiclass 0.214
#> 7 Fold07 brier_class multiclass 0.221
#> 8 Fold08 brier_class multiclass 0.209
#> 9 Fold09 brier_class multiclass 0.235
#> 10 Fold10 brier_class multiclass 0.218
相关用法
- R yardstick bal_accuracy 平衡的精度
- R yardstick pr_auc 查准率曲线下面积
- R yardstick accuracy 准确性
- R yardstick gain_capture 增益捕获
- R yardstick pr_curve 精确率召回曲线
- R yardstick conf_mat 分类数据的混淆矩阵
- R yardstick mn_log_loss 多项数据的平均对数损失
- R yardstick rpd 性能与偏差之比
- R yardstick mae 平均绝对误差
- R yardstick detection_prevalence 检测率
- R yardstick rpiq 绩效与四分位间的比率
- R yardstick roc_aunp 使用先验类别分布,每个类别相对于其他类别的 ROC 曲线下面积
- R yardstick roc_curve 接收者算子曲线
- R yardstick rsq R 平方
- R yardstick msd 平均符号偏差
- R yardstick mpe 平均百分比误差
- R yardstick iic 相关性理想指数
- R yardstick recall 记起
- R yardstick roc_aunu 使用均匀类别分布,每个类别相对于其他类别的 ROC 曲线下面积
- R yardstick npv 阴性预测值
- R yardstick rmse 均方根误差
- R yardstick sens 灵敏度
- R yardstick rsq_trad R 平方 - 传统
- R yardstick poisson_log_loss 泊松数据的平均对数损失
- R yardstick ppv 阳性预测值
注:本文由纯净天空筛选整理自Max Kuhn等大神的英文原创作品 Brier score for classification models。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。