在Caret中进行5次交叉验证时,是否可以将训练集和测试集的ROC曲线分别用于每个折叠?
library(caret)
train_control <- trainControl(method="cv", number=5,savePredictions = TRUE,classProbs = TRUE)
output <- train(Species~., data=iris, trControl=train_control, method="rf")
我可以做以下操作,但我不知道它是否返回Fold1训练集或测试集的ROC:
library(pROC)
selectedIndices <- rfmodel$pred$Resample == "Fold1"
plot.roc(rfmodel$pred$obs[selectedIndices],rfmodel$pred$setosa[selectedIndices])
确实,文档中对rfmodel$pred
的内容一点也不清楚——我敢打赌,所包含的预测是针对用作测试集的折叠,但我无法指出文档中的任何证据;然而,不管怎样,你在争取中华民国的过程中仍然遗漏了一些要点。
首先,让我们将rfmodel$pred
隔离在一个单独的数据帧中以便于处理:
dd <- rfmodel$pred
nrow(dd)
# 450
为什么是450行?这是因为您尝试了3个不同的参数集(在您的情况下,mtry
只有3个不同值):
rfmodel$results
# output:
mtry Accuracy Kappa AccuracySD KappaSD
1 2 0.96 0.94 0.04346135 0.06519202
2 3 0.96 0.94 0.04346135 0.06519202
3 4 0.96 0.94 0.04346135 0.06519202
以及150行X3设置=450。
让我们仔细看看rfmodel$pred
:的内容
head(dd)
# result:
pred obs setosa versicolor virginica rowIndex mtry Resample
1 setosa setosa 1.000 0.000 0 2 2 Fold1
2 setosa setosa 1.000 0.000 0 3 2 Fold1
3 setosa setosa 1.000 0.000 0 6 2 Fold1
4 setosa setosa 0.998 0.002 0 24 2 Fold1
5 setosa setosa 1.000 0.000 0 33 2 Fold1
6 setosa setosa 1.000 0.000 0 38 2 Fold1
- 列
obs
包含真值 - 三列
setosa
、versicolor
和virginica
分别包含为每个类计算的概率,并且每行的概率总和为1 - 列
pred
包含最终预测,即上述三列中具有最大概率的类
如果这就是整个故事,你绘制ROC的方式是可以的,即:
selectedIndices <- rfmodel$pred$Resample == "Fold1"
plot.roc(rfmodel$pred$obs[selectedIndices],rfmodel$pred$setosa[selectedIndices])
但这并不是故事的全部(450行而不是150行的存在应该已经给出了一个提示):注意一个名为mtry
的列的存在;实际上,rfmodel$pred
包括所有交叉验证运行(即所有参数设置)的结果:
tail(dd)
# result:
pred obs setosa versicolor virginica rowIndex mtry Resample
445 virginica virginica 0 0.004 0.996 112 4 Fold5
446 virginica virginica 0 0.000 1.000 113 4 Fold5
447 virginica virginica 0 0.020 0.980 115 4 Fold5
448 virginica virginica 0 0.000 1.000 118 4 Fold5
449 virginica virginica 0 0.394 0.606 135 4 Fold5
450 virginica virginica 0 0.000 1.000 140 4 Fold5
这就是您的selectedIndices
计算不正确的最终原因;它还应该包括mtry
的具体选择,否则ROC就没有任何意义,因为它"聚合"了不止一个模型:
selectedIndices <- rfmodel$pred$Resample == "Fold1" & rfmodel$pred$mtry == 2
--
正如我在开头所说,我打赌rfmodel$pred
中的预测是针对作为测试集的文件夹;事实上,如果我们手动计算精度,它们与上面显示的rfmodel$results
中报告的精度一致(所有3个设置为0.96),我们知道这是用于测试的文件夹(可以说,相应的训练精度为1.0):
for (i in 2:4) { # mtry values in {2, 3, 4}
acc = (length(which(dd$pred == dd$obs & dd$mtry==i & dd$Resample=='Fold1'))/30 +
length(which(dd$pred == dd$obs & dd$mtry==i & dd$Resample=='Fold2'))/30 +
length(which(dd$pred == dd$obs & dd$mtry==i & dd$Resample=='Fold3'))/30 +
length(which(dd$pred == dd$obs & dd$mtry==i & dd$Resample=='Fold4'))/30 +
length(which(dd$pred == dd$obs & dd$mtry==i & dd$Resample=='Fold5'))/30
)/5
print(acc)
}
# result:
[1] 0.96
[1] 0.96
[1] 0.96