Tidy 总结了有关模型组件的信息。模型组件可能是回归中的单个项、单个假设、聚类或类。 tidy 所认为的模型组件的确切含义因模型而异,但通常是不言而喻的。如果模型具有多种不同类型的组件,您将需要指定要返回哪些组件。
参数
- x
-
通过调用
caret::confusionMatrix()
创建的类confusionMatrix
的对象。 - by_class
-
逻辑指示是否显示按类别细分的绩效衡量标准。默认为
TRUE
。当by_class = FALSE
仅返回包含准确度、kappa 和 McNemar 统计信息的 tibble 时。 - ...
-
附加参数。不曾用过。仅需要匹配通用签名。注意:拼写错误的参数将被吸收到
...
中,并被忽略。如果拼写错误的参数有默认值,则将使用默认值。例如,如果您传递conf.lvel = 0.9
,所有计算将使用conf.level = 0.95
进行。这里有两个异常:
值
带有列的 tibble::tibble()
:
- class
-
正在考虑的类。
- conf.high
-
估计置信区间的上限。
- conf.low
-
估计置信区间的下限。
- estimate
-
回归项的估计值。
- term
-
回归项的名称。
- p.value
-
准确性和 kappa 统计的 P 值。
例子
# load libraries for models and data
library(caret)
#> Loading required package: lattice
#>
#> Attaching package: ‘lattice’
#> The following object is masked from ‘package:boot’:
#>
#> melanoma
#>
#> Attaching package: ‘caret’
#> The following object is masked from ‘package:survival’:
#>
#> cluster
#> The following object is masked from ‘package:purrr’:
#>
#> lift
set.seed(27)
# generate data
two_class_sample1 <- as.factor(sample(letters[1:2], 100, TRUE))
two_class_sample2 <- as.factor(sample(letters[1:2], 100, TRUE))
two_class_cm <- confusionMatrix(
two_class_sample1,
two_class_sample2
)
# summarize model fit with tidiers
tidy(two_class_cm)
#> # A tibble: 14 × 6
#> term class estimate conf.low conf.high p.value
#> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
#> 1 accuracy NA 0.52 0.418 0.621 0.619
#> 2 kappa NA 0.0295 NA NA NA
#> 3 mcnemar NA NA NA NA 0.470
#> 4 sensitivity a 0.604 NA NA NA
#> 5 specificity a 0.426 NA NA NA
#> 6 pos_pred_value a 0.542 NA NA NA
#> 7 neg_pred_value a 0.488 NA NA NA
#> 8 precision a 0.542 NA NA NA
#> 9 recall a 0.604 NA NA NA
#> 10 f1 a 0.571 NA NA NA
#> 11 prevalence a 0.53 NA NA NA
#> 12 detection_rate a 0.32 NA NA NA
#> 13 detection_prevalence a 0.59 NA NA NA
#> 14 balanced_accuracy a 0.515 NA NA NA
tidy(two_class_cm, by_class = FALSE)
#> # A tibble: 3 × 5
#> term estimate conf.low conf.high p.value
#> <chr> <dbl> <dbl> <dbl> <dbl>
#> 1 accuracy 0.52 0.418 0.621 0.619
#> 2 kappa 0.0295 NA NA NA
#> 3 mcnemar NA NA NA 0.470
# multiclass example
six_class_sample1 <- as.factor(sample(letters[1:6], 100, TRUE))
six_class_sample2 <- as.factor(sample(letters[1:6], 100, TRUE))
six_class_cm <- confusionMatrix(
six_class_sample1,
six_class_sample2
)
# summarize model fit with tidiers
tidy(six_class_cm)
#> # A tibble: 69 × 6
#> term class estimate conf.low conf.high p.value
#> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
#> 1 accuracy NA 0.2 0.127 0.292 0.795
#> 2 kappa NA 0.0351 NA NA NA
#> 3 mcnemar NA NA NA NA 0.873
#> 4 sensitivity a 0.2 NA NA NA
#> 5 specificity a 0.888 NA NA NA
#> 6 pos_pred_value a 0.308 NA NA NA
#> 7 neg_pred_value a 0.816 NA NA NA
#> 8 precision a 0.308 NA NA NA
#> 9 recall a 0.2 NA NA NA
#> 10 f1 a 0.242 NA NA NA
#> # ℹ 59 more rows
tidy(six_class_cm, by_class = FALSE)
#> # A tibble: 3 × 5
#> term estimate conf.low conf.high p.value
#> <chr> <dbl> <dbl> <dbl> <dbl>
#> 1 accuracy 0.2 0.127 0.292 0.795
#> 2 kappa 0.0351 NA NA NA
#> 3 mcnemar NA NA NA 0.873
相关用法
- R broom tidy.confint.glht 整理 a(n) confint.glht 对象
- R broom tidy.coeftest 整理 a(n) coeftest 对象
- R broom tidy.coxph 整理 a(n) coxph 对象
- R broom tidy.cv.glmnet 整理 a(n) cv.glmnet 对象
- R broom tidy.cch 整理 a(n) cch 对象
- R broom tidy.cld 整理 a(n) cld 对象
- R broom tidy.clmm 整理 a(n) clmm 对象
- R broom tidy.clm 整理 a(n) clm 对象
- R broom tidy.crr 整理 a(n) cmprsk 对象
- R broom tidy.robustbase.glmrob 整理 a(n) glmrob 对象
- R broom tidy.acf 整理 a(n) acf 对象
- R broom tidy.robustbase.lmrob 整理 a(n) lmrob 对象
- R broom tidy.biglm 整理 a(n) biglm 对象
- R broom tidy.garch 整理 a(n) garch 对象
- R broom tidy.rq 整理 a(n) rq 对象
- R broom tidy.kmeans 整理 a(n) kmeans 对象
- R broom tidy.betamfx 整理 a(n) betamfx 对象
- R broom tidy.anova 整理 a(n) anova 对象
- R broom tidy.btergm 整理 a(n) btergm 对象
- R broom tidy.roc 整理 a(n) roc 对象
- R broom tidy.poLCA 整理 a(n) poLCA 对象
- R broom tidy.emmGrid 整理 a(n) emmGrid 对象
- R broom tidy.Kendall 整理 a(n) Kendall 对象
- R broom tidy.survreg 整理 a(n) survreg 对象
- R broom tidy.ergm 整理 a(n) ergm 对象
注:本文由纯净天空筛选整理自等大神的英文原创作品 Tidy a(n) confusionMatrix object。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。