當前位置: 首頁>>編程示例 >>用法及示例精選 >>正文

R probably cal_plot_logistic 通過邏輯回歸繪製概率校準圖

邏輯回歸模型適用於將原始結果數據用作結果，並將一類的估計類概率用作預測變量的情況。如果 smooth = TRUE ，則使用 mgcv::gam() 和默認平滑方法擬合廣義加法模型。否則，使用簡單的邏輯回歸。

如果預測經過良好校準，擬合曲線應與對角線對齊。還顯示了擬合線的置信區間。

用法

cal_plot_logistic(
  .data,
  truth = NULL,
  estimate = dplyr::starts_with(".pred"),
  conf_level = 0.9,
  smooth = TRUE,
  include_rug = TRUE,
  include_ribbon = TRUE,
  event_level = c("auto", "first", "second"),
  ...
)

# S3 method for data.frame
cal_plot_logistic(
  .data,
  truth = NULL,
  estimate = dplyr::starts_with(".pred"),
  conf_level = 0.9,
  smooth = TRUE,
  include_rug = TRUE,
  include_ribbon = TRUE,
  event_level = c("auto", "first", "second"),
  ...,
  .by = NULL
)

# S3 method for tune_results
cal_plot_logistic(
  .data,
  truth = NULL,
  estimate = dplyr::starts_with(".pred"),
  conf_level = 0.9,
  smooth = TRUE,
  include_rug = TRUE,
  include_ribbon = TRUE,
  event_level = c("auto", "first", "second"),
  ...
)

# S3 method for grouped_df
cal_plot_logistic(
  .data,
  truth = NULL,
  estimate = NULL,
  conf_level = 0.9,
  smooth = TRUE,
  include_rug = TRUE,
  include_ribbon = TRUE,
  event_level = c("auto", "first", "second"),
  ...
)

參數

.data

包含預測和概率列的未分組 DataFrame 對象。

truth

真實類別結果的列標識符(即一個因子)。這應該是一個不帶引號的列名。

estimate

列標識符向量，或 dplyr 選擇器函數之一，用於選擇哪些變量包含類概率。它默認為 tidymodels 使用的前綴 ( .pred_ )。標識符的順序將被視為與 truth 變量的級別順序相同。

conf_level

可視化中使用的置信度。默認為 0.9。

smooth

通過 mgcv::gam() 和 mgcv::s() 使用具有平滑項的廣義加法模型作為預測器的邏輯。

include_rug

指示是否要包括地毯層的標誌。默認為 TRUE 。在圖中，頂部顯示事件發生的頻率，底部顯示事件未發生的頻率。

include_ribbon

指示是否要包含函數區層的標誌。默認為 TRUE 。

event_level

單字符串。 "first" 或 "second" 指定將哪個真實級別視為 "event"。默認為"auto"，它允許函數根據模型類型(二元、多類或線性)決定使用哪一個

...

傳遞給 tune_results 對象的其他參數。

.by

分組變量的列標識符。這應該是一個不帶引號的列名稱，用於選擇用於分組的定性變量。默認為 NULL 。當.by = NULL時，不會進行分組。

值

一個 ggplot 對象。

也可以看看

https://www.tidymodels.org/learn/models/calibration/, cal_plot_windowed(), cal_plot_breaks()

cal_plot_breaks() , cal_plot_windowed()

例子


library(ggplot2)
library(dplyr)

cal_plot_logistic(
  segment_logistic,
  Class,
  .pred_good
)


cal_plot_logistic(
  segment_logistic,
  Class,
  .pred_good,
  smooth = FALSE
)

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 Probability calibration plots via logistic regression。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。