roc_aunp()
是一个多类度量,它使用先验类分布来计算每个类相对于其他类的 ROC 曲线下的面积。这相当于 roc_auc(estimator = "macro_weighted")
。
用法
roc_aunp(data, ...)
# S3 method for data.frame
roc_aunp(data, truth, ..., na_rm = TRUE, case_weights = NULL, options = list())
roc_aunp_vec(
truth,
estimate,
na_rm = TRUE,
case_weights = NULL,
options = list(),
...
)
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。列数应与truth
的因子级别一样多。 - 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。 - options
-
[deprecated]
从尺度 1.0.0 开始不再支持。如果您在此处传递某些内容,它将被忽略并发出警告。
以前,这些选项传递给
pROC::roc()
。如果您需要对此的支持,请直接使用 pROC 包。 - estimate
-
具有与因子级别一样多的列的矩阵
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 roc_aunp_vec()
,单个 numeric
值(或 NA
)。
相关级别
在计算二元分类指标时,对于哪个因子级别应自动被视为 "event" 或 "positive" 结果,没有通用约定。在 yardstick
中,默认使用第一级。要更改此设置,请将参数 event_level
更改为 "second"
以将因子的最后一个级别视为感兴趣级别。对于涉及 one-vs-all 比较(例如宏平均)的多类扩展,此选项将被忽略,并且 "one" 级别始终是相关结果。
也可以看看
roc_aunu()
用于使用均匀类别分布计算每个类别相对于其余类别的 ROC 曲线下面积。
其他类概率指标:average_precision()
, brier_class()
, classification_cost()
, gain_capture()
, mn_log_loss()
, pr_auc()
, roc_auc()
, roc_aunu()
例子
# Multiclass example
# `obs` is a 4 level factor. The first level is `"VF"`, which is the
# "event of interest" by default in yardstick. See the Relevant Level
# section above.
data(hpc_cv)
# You can use the col1:colN tidyselect syntax
library(dplyr)
hpc_cv %>%
filter(Resample == "Fold01") %>%
roc_aunp(obs, VF:L)
#> # A tibble: 1 × 3
#> .metric .estimator .estimate
#> <chr> <chr> <dbl>
#> 1 roc_aunp macro 0.880
# Change the first level of `obs` from `"VF"` to `"M"` to alter the
# event of interest. The class probability columns should be supplied
# in the same order as the levels.
hpc_cv %>%
filter(Resample == "Fold01") %>%
mutate(obs = relevel(obs, "M")) %>%
roc_aunp(obs, M, VF:L)
#> # A tibble: 1 × 3
#> .metric .estimator .estimate
#> <chr> <chr> <dbl>
#> 1 roc_aunp macro 0.880
# Groups are respected
hpc_cv %>%
group_by(Resample) %>%
roc_aunp(obs, VF:L)
#> # A tibble: 10 × 4
#> Resample .metric .estimator .estimate
#> <chr> <chr> <chr> <dbl>
#> 1 Fold01 roc_aunp macro 0.880
#> 2 Fold02 roc_aunp macro 0.873
#> 3 Fold03 roc_aunp macro 0.906
#> 4 Fold04 roc_aunp macro 0.867
#> 5 Fold05 roc_aunp macro 0.866
#> 6 Fold06 roc_aunp macro 0.865
#> 7 Fold07 roc_aunp macro 0.868
#> 8 Fold08 roc_aunp macro 0.865
#> 9 Fold09 roc_aunp macro 0.841
#> 10 Fold10 roc_aunp macro 0.869
# Vector version
# Supply a matrix of class probabilities
fold1 <- hpc_cv %>%
filter(Resample == "Fold01")
roc_aunp_vec(
truth = fold1$obs,
matrix(
c(fold1$VF, fold1$F, fold1$M, fold1$L),
ncol = 4
)
)
#> [1] 0.8795121
相关用法
- 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 roc_auc 接收者操作曲线下面积
- R yardstick roc_curve 接收者算子曲线
- R yardstick rpd 性能与偏差之比
- R yardstick rpiq 绩效与四分位间的比率
- R yardstick rsq R 平方
- R yardstick recall 记起
- R yardstick rmse 均方根误差
- R yardstick rsq_trad R 平方 - 传统
- 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 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 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 npv 阴性预测值
- R yardstick sens 灵敏度
- 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 Area under the ROC curve of each class against the rest, using the a priori class distribution。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。