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
)。
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()
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
相关用法
- 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 bal_accuracy 平衡的精度
- 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 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
- R yardstick metrics 估计性能的通用函数
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。