R yardstick iic 相关性理想指数

计算相关性理想index。该指标已在 QSPR/QSAR 模型中进行了研究，作为这些模型预测潜力的良好标准。它高度依赖于相关系数以及平均绝对误差。

请注意，在以下两种情况下，IIC 的应用是无用的：

当负平均绝对误差和正平均绝对误差均为零时。
当异常值对称时。由于异常值与上下文相关，因此请使用您自己的检查来验证此限制是否成立以及生成的 IIC 是否具有解释值。

IIC 被视为传统相关系数的替代方案，并且与原始数据具有相同的单位。

用法

iic(data, ...)

# S3 method for data.frame
iic(data, truth, estimate, na_rm = TRUE, case_weights = NULL, ...)

iic_vec(truth, estimate, na_rm = TRUE, case_weights = NULL, ...)

参数

data: data.frame 包含由 truth 和 estimate 参数指定的列。
...: 目前未使用。
truth: 真实结果的列标识符(即 numeric )。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 numeric 向量。
estimate: 预测结果的列标识符(也是 numeric )。与 truth 一样，可以通过不同的方式指定，但主要方法是使用不带引号的变量名称。对于 _vec() 函数，一个 numeric 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。

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 iic_vec() ，单个 numeric 值(或 NA )。

参考

托罗波娃，A. 和托罗波夫，A. (2017)。 “相关性理想index。皮肤渗透性 QSAR 模型的可预测性标准？”整体环境科学。 586：466-472。

也可以看看

其他数字指标：ccc() , huber_loss_pseudo() , huber_loss() , mae() , mape() , mase() , mpe() , msd() , poisson_log_loss() , rmse() , rpd() , rpiq() , rsq_trad() , rsq() , smape()

其他准确度指标：ccc() , huber_loss_pseudo() , huber_loss() , mae() , mape() , mase() , mpe() , msd() , poisson_log_loss() , rmse() , smape()

作者

乔伊斯·卡洪

例子

# Supply truth and predictions as bare column names
iic(solubility_test, solubility, prediction)
#> # A tibble: 1 × 3
#>   .metric .estimator .estimate
#>   <chr>   <chr>          <dbl>
#> 1 iic     standard       0.890

library(dplyr)

set.seed(1234)
size <- 100
times <- 10

# create 10 resamples
solubility_resampled <- bind_rows(
  replicate(
    n = times,
    expr = sample_n(solubility_test, size, replace = TRUE),
    simplify = FALSE
  ),
  .id = "resample"
)

# Compute the metric by group
metric_results <- solubility_resampled %>%
  group_by(resample) %>%
  iic(solubility, prediction)

metric_results
#> # A tibble: 10 × 4
#>    resample .metric .estimator .estimate
#>    <chr>    <chr>   <chr>          <dbl>
#>  1 1        iic     standard       0.730
#>  2 10       iic     standard       0.731
#>  3 2        iic     standard       0.906
#>  4 3        iic     standard       0.877
#>  5 4        iic     standard       0.732
#>  6 5        iic     standard       0.821
#>  7 6        iic     standard       0.896
#>  8 7        iic     standard       0.867
#>  9 8        iic     standard       0.881
#> 10 9        iic     standard       0.748

# Resampled mean estimate
metric_results %>%
  summarise(avg_estimate = mean(.estimate))
#> # A tibble: 1 × 1
#>   avg_estimate
#>          <dbl>
#> 1        0.819

源代码：R/num-iic.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 Index of ideality of correlation。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。