我正在寻找一种解决方案,将{caret}中的confusionMatrix()函数应用于拆分列表的特定元素。我有3个组,每组有10个Actuals和3个Preds列的观察值。
library(caret)
set.seed(10)
dat <- data.frame(Group = c(rep(1, 10), rep(2, 10), rep(3, 10)), Actual = round(runif(30, 0, 1)),
Preds1 = round(runif(30, 0, 1)), Preds2 = round(runif(30, 0, 1)), Preds3 = round(runif(30, 0, 1)))
> dat
Group Actual Preds1 Preds2 Preds3
1 1 1 1 0 0
2 1 0 0 0 1
3 1 0 0 0 1
4 1 1 1 0 1
...........
27 3 1 0 1 0
28 3 0 0 0 1
29 3 1 0 0 1
30 3 0 1 0 1
最终的解决方案应该由Group,每个Preds列创建混淆矩阵。我将需要实际的混淆矩阵表,但最终需要提取$ overall和$ byClass元素,最后得到类似下面的内容。
> conf_matrix
$Preds1
Accuracy Sensitivity Specificity
[1,] 0.73 0.8 0.6
[2,] 0.93 0.91 1
[3,] 0.87 0.83 1
[4,] 0.8 0.82 0.75
...............
[27,] 0.8 0.82 0.75
[28,] 0.58 0.67 0.5
[29,] 1 0.67 1
[30,] 1 0 1
$Preds2
Accuracy Sensitivity Specificity
[1,] 0.73 0.8 0.6
[2,] 0.93 0.91 1
[3,] 0.87 0.83 1
[4,] 0.8 0.82 0.75
...............
[27,] 0.8 0.82 0.75
[28,] 0.58 0.67 0.5
[29,] 1 0.67 1
[30,] 1 0 1
$Preds3
...............
我已尝试过以下脚本,但在每个组中的Preds列尝试二次索引时仍然遇到问题。我相信它与我的嵌套lapply有关,以及我如何编制索引,因为当我分解代码并逐步遍历它时,这是有效的。
我也尝试使用table()手动执行此操作,但是已经放弃了该方法,因为它不会像使用confusionMatrix()那样给出一致的结果。
lapply(seq_along(split(dat[3:5], list(dat$Group))), function(x) {
x_temp <- split(dat[3:5], list(dat$Group))[[x]]
lapply(seq_along(x_temp), function(x2) {
x_temp <- x_temp[[x2]]
lapply(seq_along(split(dat[2], list(dat$Group))), function(y) {
y_temp <- split(dat[2], list(dat$Group))[[y]]
lapply(seq_along(y_temp), function(y2) {
y_temp <- y_temp[[y2]]
confusionMatrix(x_temp, y_temp)
})
})
})
})
我可能会离开基地,所以我愿意接受所有的建议和意见。
答案 0 :(得分:1)
我不了解最终结果,但会通过以下方式获得混淆矩阵。
library(caret)
set.seed(10)
dat <- data.frame(Group = c(rep(1, 10), rep(2, 10), rep(3, 10)), Actual = round(runif(30, 0, 1)),
Preds1 = round(runif(30, 0, 1)), Preds2 = round(runif(30, 0, 1)), Preds3 = round(runif(30, 0, 1)))
dat[] <- lapply(dat, as.factor)
# split by group
dats <- split(dat[,-1], dat$Group)
cm <- do.call(c, lapply(dats, function(x) {
actual <- x[, 1]
lapply(x[, 2:4], function(y) {
confusionMatrix(actual, unlist(y))$table
})
}))
cm[1:3]
$`1.Preds1`
Reference
Prediction 0 1
0 3 4
1 0 3
$`1.Preds2`
Reference
Prediction 0 1
0 4 3
1 3 0
$`1.Preds3`
Reference
Prediction 0 1
0 3 4
1 1 2
@ Brian
在链接(What's the difference between lapply and do.call in R?)中,我发现Paul Hiemstra的答案非常简单。
- lapply
与map
相似,do.call
则不是。 lapply
将函数应用于列表的所有元素,do.call
调用一个函数,其中所有函数参数都在列表中。因此,对于n
元素列表,lapply
具有n
函数调用,do.call
只有one
函数调用。因此do.call
与lapply
完全不同。
在示例中,
dats
有三个要素 - 1
,2
和3
dats <- split(dat[,-1], dat$Group)
dats[1]
$`1`
Actual Preds1 Preds2 Preds3
1 1 1 0 0
2 0 0 0 1
3 0 0 0 1
4 1 1 0 1
5 0 0 1 0
6 0 1 1 1
7 0 1 1 0
8 0 1 0 1
9 1 1 0 1
10 0 1 0 0
下面是双循环,第一个循环应用于1
,2
和3
,第二个循环应用于Preds1,Preds2和Preds3。因此,lapply()
单独生成的列表会生成一个嵌套列表,如下所示。
lapply(dats, function(x) {
actual <- x[, 1]
lapply(x[, 2:4], function(y) {
confusionMatrix(actual, unlist(y))$table
})
})[1]
$`1`
$`1`$Preds1
Reference
Prediction 0 1
0 3 4
1 0 3
$`1`$Preds2
Reference
Prediction 0 1
0 4 3
1 3 0
$`1`$Preds3
Reference
Prediction 0 1
0 3 4
1 1 2
然而,上述内容以后不易使用,因为需要另一个双循环才能访问每个混淆矩阵。它由do.call()
简化。第一个参数c
是一个函数,它c(dats$
1 $Preds1, dats$
1 $Preds2, dats$
1 $Preds2 ...)
,因此结构可以减少为单循环访问。通常,当需要更改列表的结构时,我倾向于使用do.call()
。
do.call(c, lapply(dats, function(x) {
actual <- x[, 1]
lapply(x[, 2:4], function(y) {
confusionMatrix(actual, unlist(y))$table
})
}))[1:3]
$`1.Preds1`
Reference
Prediction 0 1
0 3 4
1 0 3
$`1.Preds2`
Reference
Prediction 0 1
0 4 3
1 3 0
$`1.Preds3`
Reference
Prediction 0 1
0 3 4
1 1 2