當前位置: 首頁>>代碼示例 >>用法及示例精選 >>正文

R yardstick bal_accuracy 平衡的精度


平衡精度此處計算為 sens() 和 spec() 的平均值。

用法

bal_accuracy(data, ...)

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

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

參數

data

包含 truth 和 estimate 參數指定的列的 data.frame，或者 table /matrix，其中真正的類結果應位於表的列中。

...

目前未使用。

truth

真實類結果的列標識符(即 factor )。這應該是一個不帶引號的列名，盡管此參數是通過表達式傳遞的並且支持quasiquotation(您可以不帶引號的列名)。對於 _vec() 函數，一個 factor 向量。

estimate

預測類結果的列標識符(也是 factor )。與 truth 一樣，可以通過不同的方式指定，但主要方法是使用不帶引號的變量名稱。對於 _vec() 函數，一個 factor 向量。

estimator

其中之一： "binary" 、 "macro" 、 "macro_weighted" 或 "micro" 指定要完成的平均類型。 "binary" 僅與兩類情況相關。其他三種是計算多類指標的通用方法。默認會根據 estimate 自動選擇 "binary" 或 "macro" 。

na_rm

logical 值，指示在計算繼續之前是否應剝離 NA 值。

case_weights

案例權重的可選列標識符。這應該是一個不帶引號的列名稱，其計算結果為 data 中的數字列。對於 _vec() 函數，一個數值向量。

event_level

單個字符串。 "first" 或"second" 指定將truth 的哪個級別視為"event"。此參數僅適用於 estimator = "binary" 。默認使用內部幫助程序，通常默認為 "first" ，但是，如果設置了已棄用的全局選項 yardstick.event_first ，則將使用該幫助程序並發出警告。

值

tibble 包含列 .metric 、 .estimator 和 .estimate 以及 1 行值。

對於分組 DataFrame ，返回的行數將與組數相同。

對於 bal_accuracy_vec() ，單個 numeric 值(或 NA )。

相關級別

在計算二元分類指標時，對於哪個因子級別應自動被視為 "event" 或 "positive" 結果，沒有通用約定。在 yardstick 中，默認使用第一級。要更改此設置，請將參數 event_level 更改為 "second" 以將因子的最後一個級別視為感興趣級別。對於涉及 one-vs-all 比較(例如宏平均)的多類擴展，此選項將被忽略，並且 "one" 級別始終是相關結果。

多級

此指標可使用宏觀、微觀和宏觀加權平均。如果提供了超過 2 個級別的 truth 因子，則默認選擇宏平均。否則，將進行標準二進製計算。有關詳細信息，請參閱vignette("multiclass", "yardstick")。

也可以看看

其他類指標：accuracy() , detection_prevalence() , f_meas() , j_index() , kap() , mcc() , npv() , ppv() , precision() , recall() , sens() , spec()

作者

馬克斯·庫恩

例子

# Two class
data("two_class_example")
bal_accuracy(two_class_example, truth, predicted)
#> # A tibble: 1 × 3
#>   .metric      .estimator .estimate
#>   <chr>        <chr>          <dbl>
#> 1 bal_accuracy binary         0.837

# Multiclass
library(dplyr)
data(hpc_cv)

hpc_cv %>%
  filter(Resample == "Fold01") %>%
  bal_accuracy(obs, pred)
#> # A tibble: 1 × 3
#>   .metric      .estimator .estimate
#>   <chr>        <chr>          <dbl>
#> 1 bal_accuracy macro          0.717

# Groups are respected
hpc_cv %>%
  group_by(Resample) %>%
  bal_accuracy(obs, pred)
#> # A tibble: 10 × 4
#>    Resample .metric      .estimator .estimate
#>    <chr>    <chr>        <chr>          <dbl>
#>  1 Fold01   bal_accuracy macro          0.717
#>  2 Fold02   bal_accuracy macro          0.711
#>  3 Fold03   bal_accuracy macro          0.767
#>  4 Fold04   bal_accuracy macro          0.724
#>  5 Fold05   bal_accuracy macro          0.715
#>  6 Fold06   bal_accuracy macro          0.707
#>  7 Fold07   bal_accuracy macro          0.699
#>  8 Fold08   bal_accuracy macro          0.734
#>  9 Fold09   bal_accuracy macro          0.717
#> 10 Fold10   bal_accuracy macro          0.706

# Weighted macro averaging
hpc_cv %>%
  group_by(Resample) %>%
  bal_accuracy(obs, pred, estimator = "macro_weighted")
#> # A tibble: 10 × 4
#>    Resample .metric      .estimator     .estimate
#>    <chr>    <chr>        <chr>              <dbl>
#>  1 Fold01   bal_accuracy macro_weighted     0.771
#>  2 Fold02   bal_accuracy macro_weighted     0.763
#>  3 Fold03   bal_accuracy macro_weighted     0.799
#>  4 Fold04   bal_accuracy macro_weighted     0.758
#>  5 Fold05   bal_accuracy macro_weighted     0.762
#>  6 Fold06   bal_accuracy macro_weighted     0.746
#>  7 Fold07   bal_accuracy macro_weighted     0.733
#>  8 Fold08   bal_accuracy macro_weighted     0.768
#>  9 Fold09   bal_accuracy macro_weighted     0.734
#> 10 Fold10   bal_accuracy macro_weighted     0.750

# Vector version
bal_accuracy_vec(
  two_class_example$truth,
  two_class_example$predicted
)
#> [1] 0.8366167

# Making Class2 the "relevant" level
bal_accuracy_vec(
  two_class_example$truth,
  two_class_example$predicted,
  event_level = "second"
)
#> [1] 0.8366167

相關用法


注：本文由純淨天空篩選整理自Max Kuhn等大神的英文原創作品 Balanced accuracy。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。