Question

我正在使用R mlr包，因为它允许我使用多种分类方法并调整参数，使用此包中的相同方法。

但它改变了我的积极等级。

在我的数据集中，我需要预测“HasWriteOff”，它的值为“1”或“2”。 “1”是多数阶级，远远超过“2”的数量，这意味着阶级是不平衡的。我在makeClassifTask函数中将Positive类设置为“2”，但在预测之后，当我检查混淆矩阵时，它将Positive Class显示为“1”。

这是我的代码：

我在这里设置了正面课程

train_task <- makeClassifTask(data=data.frame(train_data), target = "HasWriteOff", positive = "2")
test_task <- makeClassifTask(data=data.frame(test_data), target = "HasWriteOff", positive = "2")

使用XGBoost进行训练和预测

set.seed(410)
getParamSet("classif.xgboost")
xg_learner <- makeLearner("classif.xgboost", predict.type = "response")
xg_learner$par.vals <- list(
  objective = "binary:logistic",
  eval_metric = "error",
  nrounds = 250
)
xg_param <- makeParamSet(
  makeIntegerParam("nrounds",lower=200,upper=600),
  makeIntegerParam("max_depth",lower=3,upper=20),
  makeNumericParam("lambda",lower=0.55,upper=0.60),
  makeNumericParam("eta", lower = 0.001, upper = 0.5),
  makeNumericParam("subsample", lower = 0.10, upper = 0.80),
  makeNumericParam("min_child_weight",lower=1,upper=5),
  makeNumericParam("colsample_bytree",lower = 0.2,upper = 0.8)
)
rancontrol <- makeTuneControlRandom(maxit = 100L)
cv_xg <- makeResampleDesc("CV",iters = 3L)
xg_tune <- tuneParams(learner = xg_learner, task = train_task, resampling = cv_xg,measures = acc,par.set = xg_param, control = rancontrol)
xg_final <- setHyperPars(learner = xg_learner, par.vals = xg_tune$x)
xgmodel <- mlr::train(xg_final, train_task)
xgpredict <- predict(xgmodel, test_task)

点击此处的混淆矩阵

nb_prediction <- xgpredict$data$response
dCM <- confusionMatrix(test_data$HasWriteOff, nb_prediction)
dCM

输出

准确度：0.9954
                   95％CI：（0.9916,0.9978）       无信息率：0.9784
      P值[Acc> NIR]：5.136e-11
                    Kappa：0.8913
   Mcnemar的测试P值：1
              灵敏度：0.9977
              特异性：0.8936
           Pos Pred价值：0.9977
           Neg Pred值：0.8936
               患病率：0.9784
           检测率：0.9761
     检测流行率：0.9784
        平衡准确度：0.9456
         '正面'等级：1

正如你在这里看到的'肯定'等级是1。

我已经检查了我在这里使用的其他方法，他们没有设置'正'参数。

你知道我怎么能把积极的阶级设为少数民族阶级“2”？我试图看看是否通过将少数类设置为正类，特异性可以更高？

Answer 1

哦，我刚刚发现，这个方法也应该改变正面的dCM <- confusionMatrix(test_data$HasWriteOff, nb_prediction, positive = "2")

昨天我没有检查confusionMatrix函数，因为我认为正面类应该由predict之前使用的那些方法定义。

但是，只检查了R confusionMatrix参数positive的R文档，它说：

如果只有两个因子级别，则第一级将用作“肯定”结果

所以昨天它只是选择了大多数班级，无论我之前是否定义了积极的班级。

R - mlr阳性等级发生变化

1 个答案: