Question

我想使用GLMNET来拟合二项Logistic回归模型。我可以直接使用插入符号或glmnet-package。让我们以数据（BinomialExample）为例来执行以下代码，其中我实现了两者：

#rm(list = ls(all.names = TRUE))

library(glmnet)    
library(caret)
data(BinomialExample)

y[y==0] = "low"
y[y==1] = "high"
y <- as.factor(y)

#split data in training & validation set

set.seed(1)
splitSample <- createDataPartition(y, p = 0.8, list = FALSE)
training_expression <- x[splitSample,]
training_phenotype <- y[splitSample]
validation_expression <- x[-splitSample,]
validation_phenotype <- y[-splitSample]

#####################
##GLMNET with CARET##
#####################
eGrid <- expand.grid(.alpha=seq(0.1,0.9, by=0.1),.lambda=seq(0,1,by=0.01))
Control <- trainControl(verboseIter=TRUE, classProbs=TRUE, summaryFunction=twoClassSummary, method="cv") 

set.seed(1)
netFit <- train(x = training_expression, y = training_phenotype,method = "glmnet", metric = "ROC", tuneGrid=eGrid,trControl = Control)
netFitPerf <- getTrainPerf(netFit) 
trainROC <- netFitPerf[,1]
trainSens <- netFitPerf[,2]
trainSpec <- netFitPerf[,3] 
trainAlpha <- netFit$bestTune[,1]
trainLambda <- netFit$bestTune[,2]
print(sprintf("ROC: %s Sens: %s Spec: %s Alpha: %s Lambda: %s", round(trainROC,2), round(trainSens,2), round(trainSpec,2), round(trainAlpha,2),round(trainLambda,2))) 

predict_validation <- predict(netFit, newdata = validation_expression)
confusionMatrix(predict_validation,validation_phenotype)

######################
#GLMNET without CARET#
######################
set.seed(1)
elasticnet <- cv.glmnet(training_expression, training_phenotype, family = "binomial", type.measure = "class", nfolds=10, alpha=0.5, nlambda = 100) 
plot(elasticnet)
predict_validation <- predict(elasticnet, newx = validation_expression, s = c(elasticnet$lambda.min), type = "class")
confusionMatrix(predict_validation,validation_phenotype)

正如您所看到的，如果我使用插入符号包，我可以轻松打印模型的ROC，灵敏度和特异性。然而，如果我没有CARET直接使用glmnet，我无法找到类似的方法来打印ROC，Sens，Spec - 是否有类似的方法来获取这些指标？

感谢您的帮助！

Answer 1

您可以从glmnet工作流程生成的各种对象中获取所需的值。例如，如果你这样做

cm = confusionMatrix(predict_validation,validation_phenotype)

然后cm$byClass包括特异性和敏感度：

cm$byClass
     Sensitivity          Specificity       Pos Pred Value       Neg Pred Value           Prevalence 
       0.8181818            1.0000000            1.0000000            0.8000000            0.5789474 
  Detection Rate Detection Prevalence    Balanced Accuracy 
       0.4736842            0.4736842            0.9090909

同样，您可以从elasticnet$lambda.min获取Lambda，从alpha获取gsub(".*alpha = ([0-9]\\.[0-9]*).*","\\1",deparse(elasticnet$glmnet.fit$call)[2])（尽管可能有比这个可怕代码更好的方法）。实际上，由于alpha值是函数的输入，因此您甚至不需要提取它。但是，除alpha之外，如果您在lambda上进行交叉验证，则需要使用循环来尝试多个alpha值，然后您需要一些提取最佳模型的alpha值的方法。如果您决定在交叉验证中加入alpha，请务必阅读Details的{{1}}部分。

对于ROC曲线的AUC，cv.glmnet会为您提供，但您需要使用cv.glmnet代替type.measure="auc"，这将改变最佳模型的方式被选中。此外，对于此特定数据样本，您需要使用较少的CV折叠，但这可能不是您的真实数据的问题。例如：

type.measure="class"

然后，获得AUC：

elasticnet <- cv.glmnet(training_expression, training_phenotype, family = "binomial", 
                        type.measure = "auc", nfolds=5, alpha=0.5, nlambda = 100)

或

elasticnet$cvm[which(elasticnet$lambda==elasticnet$lambda.min)]

如果您想在不使用AUC选择最佳模型的情况下计算AUC，您可能需要自己计算或使用预先存在的函数，例如来自max(elasticnet$cvm)的{{1}}封装

Answer 2

您可以直接使用asset.glmnet 函数轻松查看AUC 和其他度量，例如MSE。

glmnet＆amp;插入符号：ROC，敏感度，训练模型的特异性

2 个答案: