脚本之家 服务器常用软件
快捷导航
您的位置：首页 → 软件编程 → R语言 → R语言caret包ROC曲线

R语言利用caret包比较ROC曲线的操作

 更新时间：2021年04月06日 10:38:00   作者：Jack_丁明  
这篇文章主要介绍了R语言利用caret包比较ROC曲线的操作，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

说明

我们之前探讨了多种算法，每种算法都有优缺点，因而当我们针对具体问题去判断选择那种算法时，必须对不同的预测模型进行重做评估。

为了简化这个过程，我们使用caret包来生成并比较不同的模型与性能。

操作

加载对应的包与将训练控制算法设置为10折交叉验证，重复次数为3：

library(ROCR)
library(e1071)
library("pROC")
library(caret)
library("pROC")
control = trainControl(method = "repaetedcv",
   number = 10,
   repeats =3,
   classProbs = TRUE,
   summaryFunction = twoClassSummary)

使用glm在训练数据集上训练一个分类器

glm.model = train(churn ~ .,
   data= trainset,
   method = "glm",
   metric = "ROC",
   trControl = control)

使用svm在训练数据集上训练一个分类器

svm.model = train(churn ~ .,
   data= trainset,
   method = "svmRadial",
   metric = "ROC",
   trControl = control)

使用rpart函数查看rpart在训练数据集上的运行情况

rpart.model = train(churn ~ .,
   data = trainset,
   method = "svmRadial",
   metric = "ROC",
   trControl = control)

使用不同的已经训练好的数据分类预测：

glm.probs = predict(glm.model,testset[,!names(testset) %in% c("churn")],type = "prob")
svm.probs = predict(svm.model,testset[,!names(testset) %in% c("churn")],type = "prob")
rpart.probs = predict(rpart.model,testset[,!names(testset) %in% c("churn")],type = "prob")

生成每个模型的ROC曲线，将它们绘制在一个图中：

glm.ROC = roc(response = testset[,c("churn")],
  predictor = glm.probs$yes,
  levels = levels(testset[,c("churn")]))
plot(glm.ROC,type = "S",col = "red")
svm.ROC = roc(response = testset[,c("churn")],
  predictor = svm.probs$yes,
  levels = levels(testset[,c("churn")]))
plot(svm.ROC,add = TRUE,col = "green")
rpart.ROC = roc(response = testset[,c("churn")],
  predictor = rpart.probs$yes,
  levels = levels(testset[,c("churn")]))
plot(rpart.ROC,add = TRUE,col = "blue")

三种分类器的ROC曲线

说明

将不同的分类模型的ROC曲线绘制在同一个图中进行比较，设置训练过程的控制参数为重复三次的10折交叉验证，模型性能的评估参数为twoClassSummary,然后在使用glm,svm,rpart,三种不同的方法建立分类模型。

从图中可以看出，svm对训练集的预测结果（未调优）是三种分类算法里最好的。

补充：R语言利用caret包比较模型性能差异

说明

我们可以通过重采样的方法得对每一个匹配模型的统计信息，包括ROC曲线，灵敏度与特异度，然后基于这些统计信息来比较不同模型的性能差异。

操作

利用上节的信息，准备好glm分类模型，svm分类模型，rpart分类模型，并存放在glm.model,svm.model,rpart.model。

cv.values = resamples(list(glm = glm.model,svm =svm.model,rpart = rpart.model))
> summary(cv.values)
Call:
summary.resamples(object = cv.values)
Models: glm, svm, rpart 
Number of resamples: 30 
ROC 
  Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
glm 0.7597790 0.7927740 0.8040455 0.8106454 0.8347961 0.8760824 0
svm 0.8191998 0.8786439 0.8945208 0.8947360 0.9196775 0.9562556 0
rpart 0.6064540 0.7150320 0.7608241 0.7556544 0.8086731 0.8554750 0
Sens 
  Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
glm 0.08823529 0.1764706 0.2058824 0.2124930 0.2516807 0.3235294 0
svm 0.44117647 0.5294118 0.5882353 0.5956863 0.6470588 0.7941176 0
rpart 0.20000000 0.4117647 0.4705882 0.4787955 0.5514706 0.7352941 0
Spec 
  Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
glm 0.9393939 0.9645119 0.9721581 0.9702721 0.9796954 0.9898477 0
svm 0.9494949 0.9695431 0.9771574 0.9755004 0.9847716 0.9898990 0
rpart 0.9492386 0.9746193 0.9796954 0.9780359 0.9848485 1.0000000 0

使用dotplot函数绘制重采样在ROC曲线度量中的结果：

dotplot(cv.values,metric = "ROC")

使用箱线图绘制重采样结果：

bwplot(cv.values,layout=c(3,1))

重采样结果箱线图

说明

我们使用resample函数生成各个模型的统计信息，再调用summary函数输出三个模型在ROC、灵敏度及特异性上的统计信息。

使用dotplot方法处理重采样结果来观测不同模型ROC差异，最后，采用箱线图在同一张图上对ROC、灵敏度及特异方面的差别进行比较。

以上为个人经验，希望能给大家一个参考，也希望大家多多支持脚本之家。如有错误或未考虑完全的地方，望不吝赐教。

您可能感兴趣的文章:

相关文章

  • 详解R语言中的PCA分析与可视化

    详解R语言中的PCA分析与可视化

    这篇文章主要介绍了R语言中的PCA分析与可视化的相关资料,本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下
    2021-03-03
  • R语言 如何删除指定变量或对象

    R语言 如何删除指定变量或对象

    这篇文章主要介绍了R语言删除指定变量或对象的操作方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
    2021-04-04
  • R语言安装以及手动安装devtools的详细图文教程

    R语言安装以及手动安装devtools的详细图文教程

    R语言是一个强大的数据分析工具,其强大之处在于有各种各样的R包帮助其实现各种各样的功能,下面这篇文章主要给大家介绍了关于R语言安装以及手动安装devtools的相关资料,需要的朋友可以参考下
    2022-08-08
  • R语言利用ggplot2绘制QQ图和箱线图详解

    R语言利用ggplot2绘制QQ图和箱线图详解

    这篇文章主要为大家介绍了R语言如何利用ggplot2绘制QQ图和箱线图，文中的示例代码讲解详细，对我们学习R语言有一定的帮助，需要的可以参考一下
    2022-06-06
  • R语言学习之火山图的绘制详解

    R语言学习之火山图的绘制详解

    火山图作为散点图的一种，将统计测试中的统计显著性量度和变化幅度相结合，从而能够帮助快速直观地识别那些变化幅度较大且具有统计学意义的数据点。本文将为大家详细介绍如何利用R语言绘制火山图，需要的可以参考一下
    2022-03-03
  • R语言绘图公式与变量对象混合拼接实现方法

    R语言绘图公式与变量对象混合拼接实现方法

    这篇文章主要为大家介绍了R语言绘图中的公式如何与变量对象混合拼接的实现方法，有需要的朋友可以借鉴参考下，希望能够有所帮助，祝大家多多进步
    2021-11-11
  • Java调用R语言实例讲解

    Java调用R语言实例讲解

    这篇文章主要介绍了Java调用R语言实例讲解，文中代码讲解的很清晰，有需要的同学可以研究下
    2021-03-03
  • R语言实现对数据框按某一列分组求组内平均值

    R语言实现对数据框按某一列分组求组内平均值

    这篇文章主要介绍了R语言实现对数据框按某一列分组求组内平均值，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
    2021-03-03
  • R语言学习笔记之lm函数详解

    R语言学习笔记之lm函数详解

    这篇文章主要介绍了R语言学习笔记之lm函数详解,本文给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下
    2021-03-03
  • R语言基础统计方法图文实例讲解

    R语言基础统计方法图文实例讲解

    这篇文章主要介绍了R语言基础统计方法图文实例讲解，文中图文合并讲解的很透彻，有感兴趣的同学可以研究下
    2021-03-03

最新评论