R yardstick gain_curve 增益曲线

gain_curve() 构造完整的增益曲线并返回一个 tibble。有关增益曲线下的相关区域，请参阅gain_capture()。另请参阅lift_curve() 了解密切相关的概念。

用法

gain_curve(data, ...)

# S3 method for data.frame
gain_curve(
  data,
  truth,
  ...,
  na_rm = TRUE,
  event_level = yardstick_event_level(),
  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。
event_level: 单个字符串。 "first" 或"second" 指定将truth 的哪个级别视为"event"。此参数仅适用于 estimator = "binary" 。默认使用内部帮助程序，通常默认为 "first" ，但是，如果设置了已弃用的全局选项 yardstick.event_first ，则将使用该帮助程序并发出警告。
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。

值

类 gain_df 或 gain_grouped_df 的 tibble 具有列：

.n 当前样本的索引。
.n_events 当前唯一样本的索引。具有重复 estimate 值的值在此列中给出相同的索引。
.percent_tested 测试值的累积百分比。
.percent_found 真实结果相对于真实结果总数的累积百分比。

如果使用 case_weights 参数，以上所有列都将被加权。这对于频率权重来说最有意义，频率权重是表示特定观察应重复的次数的整数权重。

细节

有一个ggplot2::autoplot() 方法可以快速可视化曲线。这适用于二进制和多类输出，也适用于分组数据(即来自重新采样)。请参阅示例。

增益曲线和基线之间的面积越大，模型越好。

增益曲线与 CAP 曲线(累积精度曲线)相同。有关 CAP 曲线的更多信息，请参阅 Engelmann 引用。

增益和提升曲线

累积增益和提升图背后的动机是作为一种可视化方法，用于确定模型与没有模型时可能预期的结果相比的有效性。举个例子，在没有模型的情况下，如果您要向随机 10% 的客户群做广告，那么您可能期望获得向整个客户群做广告时获得的积极响应总数的 10%。给定一个预测哪些客户更有可能做出响应的模型，希望您能够更准确地定位 10% 的客户群并捕获> 积极响应总数的 10%。

构建增益曲线的计算如下：

truth 和 estimate 按 estimate 值降序排列(此处的 estimate 是 ... 中提供的单个列)。
求出真实结果样本的累计数量相对于真实结果总数的比例。这是增益图表中的 y 轴。

多级

如果提供了多类 truth 列，则将采用 one-vs-all 方法来计算多条曲线，每个级别一条。在这种情况下，将有一个附加列 .level ，用于标识 one-vs-all 计算中的 "one" 列。

参考

恩格曼、贝恩德和海登、伊芙琳和塔什、德克 (2003)。 “衡量评级系统的歧视力”，讨论文件系列 2：银行和金融研究 2003,01，德意志联邦银行。

也可以看看

使用 gain_capture() 计算增益曲线下的相关面积。

其他曲线指标：lift_curve()、pr_curve()、roc_curve()

作者

马克斯·库恩

例子

# ---------------------------------------------------------------------------
# Two class example

# `truth` is a 2 level factor. The first level is `"Class1"`, which is the
# "event of interest" by default in yardstick. See the Relevant Level
# section above.
data(two_class_example)

# Binary metrics using class probabilities take a factor `truth` column,
# and a single class probability column containing the probabilities of
# the event of interest. Here, since `"Class1"` is the first level of
# `"truth"`, it is the event of interest and we pass in probabilities for it.
gain_curve(two_class_example, truth, Class1)
#> # A tibble: 501 × 4
#>       .n .n_events .percent_tested .percent_found
#>    <dbl>     <dbl>           <dbl>          <dbl>
#>  1     0         0             0            0    
#>  2     1         1             0.2          0.388
#>  3     2         2             0.4          0.775
#>  4     3         3             0.6          1.16 
#>  5     4         4             0.8          1.55 
#>  6     5         5             1            1.94 
#>  7     6         6             1.2          2.33 
#>  8     7         7             1.4          2.71 
#>  9     8         8             1.6          3.10 
#> 10     9         9             1.8          3.49 
#> # ℹ 491 more rows

# ---------------------------------------------------------------------------
# `autoplot()`

library(ggplot2)
library(dplyr)

# Use autoplot to visualize
# The top left hand corner of the grey triangle is a "perfect" gain curve
autoplot(gain_curve(two_class_example, truth, Class1))


# Multiclass one-vs-all approach
# One curve per level
hpc_cv %>%
  filter(Resample == "Fold01") %>%
  gain_curve(obs, VF:L) %>%
  autoplot()


# Same as above, but will all of the resamples
# The resample with the minimum (farthest to the left) "perfect" value is
# used to draw the shaded region
hpc_cv %>%
  group_by(Resample) %>%
  gain_curve(obs, VF:L) %>%
  autoplot()

源代码：R/prob-gain_curve.R

相关用法

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 Gain curve。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。

用法

参数

值

细节

增益和提升曲线

多级

相关级别

参考

也可以看看

作者

例子