R yardstick j_index J指数

Youden 的 J 统计量定义为：

sens() + spec() - 1

一个相关的指标是信息性，请参阅“详细信息”部分了解其关系。

用法

j_index(data, ...)

# S3 method for data.frame
j_index(
  data,
  truth,
  estimate,
  estimator = NULL,
  na_rm = TRUE,
  case_weights = NULL,
  event_level = yardstick_event_level(),
  ...
)

j_index_vec(
  truth,
  estimate,
  estimator = NULL,
  na_rm = TRUE,
  case_weights = NULL,
  event_level = yardstick_event_level(),
  ...
)

参数

data: 包含 truth 和 estimate 参数指定的列的 data.frame，或者 table /matrix，其中真正的类结果应位于表的列中。
...: 目前未使用。
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。
estimate: 预测类结果的列标识符(也是 factor )。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 factor 向量。
estimator: 其中之一： "binary" 、 "macro" 、 "macro_weighted" 或 "micro" 指定要完成的平均类型。 "binary" 仅与两类情况相关。其他三种是计算多类指标的通用方法。默认会根据 estimate 自动选择 "binary" 或 "macro" 。
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。
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。

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 j_index_vec() ，单个 numeric 值(或 NA )。

细节

J-index的取值范围为[0, 1]，无误报、无漏报时为1。

J-index的二进制版本相当于信息丰富的二进制概念。宏观加权 J-index 相当于 Powers, David M W (2011) 等式 (42) 中定义的多类信息。

多级

此指标可使用宏观、微观和宏观加权平均。如果提供了超过 2 个级别的 truth 因子，则默认选择宏平均。否则，将进行标准二进制计算。有关详细信息，请参阅vignette("multiclass", "yardstick")。

参考

尤登，W.J. (1950)。 “诊断测试评级索引”。癌症。 3：32-35。

鲍尔斯，大卫·M·W (2011)。 “评估：从精确度、召回率和 F-Score 到 ROC、知情性、标记性和相关性”。机器学习技术杂志。 2(1)：37-63。

也可以看看

其他类指标：accuracy() , bal_accuracy() , detection_prevalence() , f_meas() , kap() , mcc() , npv() , ppv() , precision() , recall() , sens() , spec()

作者

马克斯·库恩

例子

# Two class
data("two_class_example")
j_index(two_class_example, truth, predicted)
#> # A tibble: 1 × 3
#>   .metric .estimator .estimate
#>   <chr>   <chr>          <dbl>
#> 1 j_index binary         0.673

# Multiclass
library(dplyr)
data(hpc_cv)

hpc_cv %>%
  filter(Resample == "Fold01") %>%
  j_index(obs, pred)
#> # A tibble: 1 × 3
#>   .metric .estimator .estimate
#>   <chr>   <chr>          <dbl>
#> 1 j_index macro          0.434

# Groups are respected
hpc_cv %>%
  group_by(Resample) %>%
  j_index(obs, pred)
#> # A tibble: 10 × 4
#>    Resample .metric .estimator .estimate
#>    <chr>    <chr>   <chr>          <dbl>
#>  1 Fold01   j_index macro          0.434
#>  2 Fold02   j_index macro          0.422
#>  3 Fold03   j_index macro          0.533
#>  4 Fold04   j_index macro          0.449
#>  5 Fold05   j_index macro          0.431
#>  6 Fold06   j_index macro          0.413
#>  7 Fold07   j_index macro          0.398
#>  8 Fold08   j_index macro          0.468
#>  9 Fold09   j_index macro          0.435
#> 10 Fold10   j_index macro          0.412

# Weighted macro averaging
hpc_cv %>%
  group_by(Resample) %>%
  j_index(obs, pred, estimator = "macro_weighted")
#> # A tibble: 10 × 4
#>    Resample .metric .estimator     .estimate
#>    <chr>    <chr>   <chr>              <dbl>
#>  1 Fold01   j_index macro_weighted     0.542
#>  2 Fold02   j_index macro_weighted     0.527
#>  3 Fold03   j_index macro_weighted     0.597
#>  4 Fold04   j_index macro_weighted     0.515
#>  5 Fold05   j_index macro_weighted     0.524
#>  6 Fold06   j_index macro_weighted     0.492
#>  7 Fold07   j_index macro_weighted     0.466
#>  8 Fold08   j_index macro_weighted     0.535
#>  9 Fold09   j_index macro_weighted     0.468
#> 10 Fold10   j_index macro_weighted     0.501

# Vector version
j_index_vec(
  two_class_example$truth,
  two_class_example$predicted
)
#> [1] 0.6732334

# Making Class2 the "relevant" level
j_index_vec(
  two_class_example$truth,
  two_class_example$predicted,
  event_level = "second"
)
#> [1] 0.6732334

源代码：R/class-j_index.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 J-index。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

相关级别

多级

参考

也可以看看

作者

例子