当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


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


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... 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。

tibble 包含列 .metric.estimator.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。

多级

这种用于计算 ROC 曲线下面积的多类方法使用先验类分布,相当于 roc_auc(estimator = "macro_weighted")

参考

Ferri, C.、Hernández-Orallo、J. 和 Modroiu, R. (2009)。 “分类性能测量的实验比较”。模式识别字母。 30 (1),第 27-38 页。

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()

作者

Julia·西尔格

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
源代码:R/prob-roc_aunp.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 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。