Question

我有一个包含6个类的数据集，我想绘制多类分类的ROC曲线。 Achim Zeileis给出的第一个答案非常好。

ROC curve in R using rpart package?

但这只适用于二项分类。我得到的错误是Error in prediction, Number of classes is not equal to 2。是否有人为多类别分类做过这个？

这是我想要做的一个简单的例子。 data＆lt; - read.csv（“colors.csv”）

让我们说data$cType的 6 值（或级别）为（红色，绿色，蓝色，黄色，黑色和白）

无论如何为这6个类绘制ROC曲线？任何超过2的类的工作示例都将受到赞赏。

Answer 1

在满足相同要求的同时回答旧问题 - 我发现scikit文档很好地解释了一些方法。

http://scikit-learn.org/stable/auto_examples/model_selection/plot_roc.html

提到的方法包括：

＆＃34;二进制化＆＃34;即，使用宏观平均或微观平均将问题转换为二元分类
绘制多条ROC曲线，每个标签一条
One vs. All

从上面的链接中复制示例，其中说明了使用libs的一个与所有和微观平均：

print(__doc__)

import numpy as np
import matplotlib.pyplot as plt
from itertools import cycle

from sklearn import svm, datasets
from sklearn.metrics import roc_curve, auc
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import label_binarize
from sklearn.multiclass import OneVsRestClassifier
from scipy import interp

# Import some data to play with
iris = datasets.load_iris()
X = iris.data
y = iris.target

# Binarize the output
y = label_binarize(y, classes=[0, 1, 2])
n_classes = y.shape[1]

# Add noisy features to make the problem harder
random_state = np.random.RandomState(0)
n_samples, n_features = X.shape
X = np.c_[X, random_state.randn(n_samples, 200 * n_features)]

# shuffle and split training and test sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=.5,
                                                    random_state=0)

# Learn to predict each class against the other
classifier = OneVsRestClassifier(svm.SVC(kernel='linear', probability=True,
                                 random_state=random_state))
y_score = classifier.fit(X_train, y_train).decision_function(X_test)

# Compute ROC curve and ROC area for each class
fpr = dict()
tpr = dict()
roc_auc = dict()
for i in range(n_classes):
    fpr[i], tpr[i], _ = roc_curve(y_test[:, i], y_score[:, i])
    roc_auc[i] = auc(fpr[i], tpr[i])

# Compute micro-average ROC curve and ROC area
fpr["micro"], tpr["micro"], _ = roc_curve(y_test.ravel(), y_score.ravel())
roc_auc["micro"] = auc(fpr["micro"], tpr["micro"])

我实际上正在寻找一个Javascript解决方案（使用https://github.com/mljs/performance）所以我还没有用上面的库实现它，但它是我发现的最有启发性的例子远。

Answer 2

我知道这是一个古老的问题，但是唯一的答案是使用Python编写的事实令我非常困扰，因为该问题专门要求使用R解决方案。

从下面的代码中可以看到，我正在使用pROC::multiclass.roc()函数。使其生效的唯一要求是，预测矩阵的列名称匹配真实的类（real_values）。

第一个示例生成随机预测。第二个产生更好的预测。第三个生成完美的预测（即始终将最高概率分配给真实的类别）。

library(pROC)
set.seed(42)
head(real_values)
real_values <- matrix( c("class1", "class2", "class3"), nc=1 )

# [,1]    
# [1,] "class1"
# [2,] "class2"
# [3,] "class3"

# Random predictions
random_preds <- matrix(rbeta(3*3,2,2), nc=3)
random_preds <- sweep(random_preds, 1, rowSums(a1), FUN="/")
colnames(random_preds) <- c("class1", "class2", "class3")


head(random_preds)

#       class1    class2    class3
# [1,] 0.3437916 0.6129104 0.4733117
# [2,] 0.6016169 0.4700832 0.9364681
# [3,] 0.6741742 0.8677781 0.4823129

multiclass.roc(real_values, random_preds)
#Multi-class area under the curve: 0.1667



better_preds <- matrix(c(0.75,0.15,0.5,
                         0.15,0.5,0.75,
                         0.15,0.75,0.5), nc=3)
colnames(better_preds) <- c("class1", "class2", "class3")

head(better_preds)

#       class1 class2 class3
# [1,]   0.75   0.15   0.15
# [2,]   0.15   0.50   0.75
# [3,]   0.50   0.75   0.50

multiclass.roc(real_values, better_preds)
#Multi-class area under the curve: 0.6667


perfect_preds <- matrix(c(0.75,0.15,0.5,
                          0.15,0.75,0.5,
                          0.15,0.5,0.75), nc=3)
colnames(perfect_preds) <- c("class1", "class2", "class3")
head(perfect_preds)

multiclass.roc(real_values, perfect_preds)
#Multi-class area under the curve: 1

R

2 个答案: