R yardstick gain_curve 增益曲線

gain_curve() 構造完整的增益曲線並返回一個 tibble。有關增益曲線下的相關區域，請參閱gain_capture()。另請參閱lift_curve() 了解密切相關的概念。

用法

gain_curve(data, ...)

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

參數

data: 包含 truth 和 ... 指定的列的 data.frame 。
...: 一組不帶引號的列名稱或一個或多個 dplyr 選擇器函數，用於選擇哪些變量包含類概率。如果 truth 是二進製，則僅應選擇 1 列，並且它應對應於 event_level 的值。否則，列的數量應與 truth 的因子級別一樣多，並且列的順序應與 truth 的因子級別相同。
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。
na_rm: logical 值，指示在計算繼續之前是否應剝離 NA 值。
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。
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。

值

類 gain_df 或 gain_grouped_df 的 tibble 具有列：

.n 當前樣本的索引。
.n_events 當前唯一樣本的索引。具有重複 estimate 值的值在此列中給出相同的索引。
.percent_tested 測試值的累積百分比。
.percent_found 真實結果相對於真實結果總數的累積百分比。

如果使用 case_weights 參數，以上所有列都將被加權。這對於頻率權重來說最有意義，頻率權重是表示特定觀察應重複的次數的整數權重。

細節

有一個ggplot2::autoplot() 方法可以快速可視化曲線。這適用於二進製和多類輸出，也適用於分組數據(即來自重新采樣)。請參閱示例。

增益曲線和基線之間的麵積越大，模型越好。

增益曲線與 CAP 曲線(累積精度曲線)相同。有關 CAP 曲線的更多信息，請參閱 Engelmann 引用。

增益和提升曲線

累積增益和提升圖背後的動機是作為一種可視化方法，用於確定模型與沒有模型時可能預期的結果相比的有效性。舉個例子，在沒有模型的情況下，如果您要向隨機 10% 的客戶群做廣告，那麽您可能期望獲得向整個客戶群做廣告時獲得的積極響應總數的 10%。給定一個預測哪些客戶更有可能做出響應的模型，希望您能夠更準確地定位 10% 的客戶群並捕獲> 積極響應總數的 10%。

構建增益曲線的計算如下：

truth 和 estimate 按 estimate 值降序排列(此處的 estimate 是 ... 中提供的單個列)。
求出真實結果樣本的累計數量相對於真實結果總數的比例。這是增益圖表中的 y 軸。

多級

如果提供了多類 truth 列，則將采用 one-vs-all 方法來計算多條曲線，每個級別一條。在這種情況下，將有一個附加列 .level ，用於標識 one-vs-all 計算中的 "one" 列。

參考

恩格曼、貝恩德和海登、伊芙琳和塔什、德克 (2003)。 “衡量評級係統的歧視力”，討論文件係列 2：銀行和金融研究 2003,01，德意誌聯邦銀行。

也可以看看

使用 gain_capture() 計算增益曲線下的相關麵積。

其他曲線指標：lift_curve()、pr_curve()、roc_curve()

作者

馬克斯·庫恩

例子

# ---------------------------------------------------------------------------
# Two class example

# `truth` is a 2 level factor. The first level is `"Class1"`, which is the
# "event of interest" by default in yardstick. See the Relevant Level
# section above.
data(two_class_example)

# Binary metrics using class probabilities take a factor `truth` column,
# and a single class probability column containing the probabilities of
# the event of interest. Here, since `"Class1"` is the first level of
# `"truth"`, it is the event of interest and we pass in probabilities for it.
gain_curve(two_class_example, truth, Class1)
#> # A tibble: 501 × 4
#>       .n .n_events .percent_tested .percent_found
#>    <dbl>     <dbl>           <dbl>          <dbl>
#>  1     0         0             0            0    
#>  2     1         1             0.2          0.388
#>  3     2         2             0.4          0.775
#>  4     3         3             0.6          1.16 
#>  5     4         4             0.8          1.55 
#>  6     5         5             1            1.94 
#>  7     6         6             1.2          2.33 
#>  8     7         7             1.4          2.71 
#>  9     8         8             1.6          3.10 
#> 10     9         9             1.8          3.49 
#> # ℹ 491 more rows

# ---------------------------------------------------------------------------
# `autoplot()`

library(ggplot2)
library(dplyr)

# Use autoplot to visualize
# The top left hand corner of the grey triangle is a "perfect" gain curve
autoplot(gain_curve(two_class_example, truth, Class1))


# Multiclass one-vs-all approach
# One curve per level
hpc_cv %>%
  filter(Resample == "Fold01") %>%
  gain_curve(obs, VF:L) %>%
  autoplot()


# Same as above, but will all of the resamples
# The resample with the minimum (farthest to the left) "perfect" value is
# used to draw the shaded region
hpc_cv %>%
  group_by(Resample) %>%
  gain_curve(obs, VF:L) %>%
  autoplot()

源代碼：R/prob-gain_curve.R

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 Gain curve。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。

用法

參數

值

細節

增益和提升曲線

多級

相關級別

參考

也可以看看

作者

例子