R插入物保持样品和测试集ROC

时间:2016-12-02 11:33:22

标签: r machine-learning r-caret cross-validation roc

我正在构建两个不同的分类器来预测二进制输出。然后我想通过使用ROC曲线和它下面的面积(AUC)来比较两个模型的结果。

我将数据集拆分为训练和测试集。在训练集上,我执行一种交叉验证。从交叉验证的保留样本中,我能够为每个模型构建ROC曲线。然后我使用测试集上的模型并构建另一组ROC曲线。

结果是矛盾的,令我感到困惑。我不确定哪个结果是正确的,或者我做错了什么。保持的样本ROC曲线显示RF是更好的模型,训练集ROC曲线表明SVM是更好的模型。

分析

library(ggplot2)
library(caret)
library(pROC)
library(ggthemes)
library(plyr)
library(ROCR)
library(reshape2)
library(gridExtra)

my_data <- read.csv("http://www.ats.ucla.edu/stat/data/binary.csv")

str(my_data)
names(my_data)[1] <- "Class"
my_data$Class <- ifelse(my_data$Class == 1, "event", "noevent")

my_data$Class <- factor(emr$Class, levels = c("noevent", "event"), ordered = TRUE)

set.seed(1732)
ind <- createDataPartition(my_data$Class, p = 2/3, list = FALSE)
train <- my_data[ ind,]
test  <- my_data[-ind,]

接下来我训练两个模型:随机森林和SVM。在这里,我还使用Max Kuhns函数从两个模型的保持样本中获取平均ROC曲线,并将这些结果保存到另一个data.frame以及曲线中的AUC。

#Train RF
ctrl <- trainControl(method = "repeatedcv",
                 number = 5,
                 repeats = 3,
                 classProbs = TRUE,
                 savePredictions = TRUE,
                 summaryFunction = twoClassSummary)

grid <- data.frame(mtry = seq(1,3,1))

set.seed(1537)
rf_mod <- train(Class ~ ., 
                data = train,
                method = "rf",
                metric = "ROC",
                tuneGrid = grid,
                ntree = 1000,
                trControl = ctrl)


rfClasses <- predict(rf_mod, test)

#This is the ROC curve from held out samples. Source is  from Max Kuhns 2016 UseR! code here: https://github.com/topepo/useR2016
roc_train <- function(object, best_only = TRUE, ...) {


  lvs <- object$modelInfo$levels(object$finalModel)

  if(best_only) {
    object$pred <- merge(object$pred, object$bestTune)
  }

  ## find tuning parameter names
  p_names <- as.character(object$modelInfo$parameters$parameter)
  p_combos <- object$pred[, p_names, drop = FALSE]

  ## average probabilities across resamples
  object$pred <- plyr::ddply(.data = object$pred, 
                         .variables = c("obs", "rowIndex", p_names),
                         .fun = function(dat, lvls = lvs) {
                           out <- mean(dat[, lvls[1]])
                           names(out) <- lvls[1]
                           out
                         })

  make_roc <- function(x, lvls = lvs, nms = NULL, ...) {
    out <- pROC::roc(response = x$obs,
                 predictor = x[, lvls[1]],
                 levels = rev(lvls))

    out$model_param <- x[1,nms,drop = FALSE]
    out
  }
  out <- plyr::dlply(.data = object$pred, 
                 .variables = p_names,
                 .fun = make_roc,
                 lvls = lvs,
                 nms = p_names)
  if(length(out) == 1)  out <- out[[1]]
  out
}

temp <- roc_train(rf_mod)

plot_data_ROC <- data.frame(Model='Random Forest', sens =     temp$sensitivities, spec=1-temp$specificities)

#This is the AUC of the held-out samples roc curve for RF
auc.1 <- abs(sum(diff(1-temp$specificities) *     (head(temp$sensitivities,-1)+tail(temp$sensitivities,-1)))/2)

#Build SVM
set.seed(1537)
svm_mod <- train(Class ~ ., 
                 data = train,
                 method = "svmRadial",
                 metric = "ROC",
                 trControl = ctrl)

svmClasses <- predict(svm_mod, test)

#ROC curve into df
temp <- roc_train(svm_mod)
plot_data_ROC <- rbind(plot_data_ROC, data.frame(Model='Support Vector Machine', sens = temp$sensitivities, spec=1-temp$specificities))

#This is the AUC of the held-out samples roc curve for SVM
auc.2 <- abs(sum(diff(1-temp$specificities) *   (head(temp$sensitivities,-1)+tail(temp$sensitivities,-1)))/2)

接下来我将绘制结果

#Plotting Final

#ROC of held-out samples
q <- ggplot(data=plot_data_ROC, aes(x=spec, y=sens, group = Model, colour =     Model)) 
q <- q + geom_path() + geom_abline(intercept = 0, slope = 1) + xlab("False     Positive Rate (1-Specificity)") + ylab("True Positive Rate (Sensitivity)") 
q + theme(axis.line = element_line(), axis.text=element_text(color='black'), 
      axis.title = element_text(colour = 'black'),     legend.text=element_text(), legend.title=element_text())

#ROC of testing set
rf.probs <- predict(rf_mod, test,type="prob")
pr <- prediction(rf.probs$event, factor(test$Class, levels = c("noevent", "event"), ordered = TRUE))
pe <- performance(pr, "tpr", "fpr")
roc.data <- data.frame(Model='Random Forest',fpr=unlist(pe@x.values),     tpr=unlist(pe@y.values))

svm.probs <- predict(svm_mod, test,type="prob")
pr <- prediction(svm.probs$event, factor(test$Class, levels = c("noevent",     "event"), ordered = TRUE))
pe <- performance(pr, "tpr", "fpr")
roc.data <- rbind(roc.data, data.frame(Model='Support Vector     Machine',fpr=unlist(pe@x.values), tpr=unlist(pe@y.values)))

q <- ggplot(data=roc.data, aes(x=fpr, y=tpr, group = Model, colour = Model)) 
q <- q + geom_line() + geom_abline(intercept = 0, slope = 1) + xlab("False     Positive Rate (1-Specificity)") + ylab("True Positive Rate (Sensitivity)") 
q + theme(axis.line = element_line(), axis.text=element_text(color='black'), 
      axis.title = element_text(colour = 'black'),     legend.text=element_text(), legend.title=element_text())


#AUC of hold out samples
data.frame(Rf = auc.1, Svm = auc.2)

#AUC of testing set. Source is  from Max Kuhns 2016 UseR! code here: https://github.com/topepo/useR2016
test_pred <- data.frame(Class = factor(test$Class, levels = c("noevent",     "event"), ordered = TRUE))
test_pred$Rf <- predict(rf_mod, test, type = "prob")[, "event"]
test_pred$Svm <- predict(svm_mod, test, type = "prob")[, "event"]

get_auc <- function(pred, ref){
  auc(roc(ref, pred, levels = rev(levels(ref))))
}

apply(test_pred[, -1], 2, get_auc, ref = test_pred$Class)

保持样品和测试装置的结果完全不同(我知道它们会有所不同,但是这么多?)。

        Rf       Svm
0.656044 0.5983193

       Rf       Svm 
0.6326531 0.6453428

从保留的样本中可以选择RF模型,但是从测试集中可以选择SVM模型。

选择模型的“正确”或“更好”方式是什么? 我是在某处犯了大错还是没有正确理解?

1 个答案:

答案 0 :(得分:1)

如果我理解正确,那么您有3个标记数据集:

  1. 培训
  2. 保留培训中的简历样本
  3. “测试”CV样本
  4. 虽然,是的,根据保留样本CV策略,您通常会根据保留样本选择模型,但通常也不会有更大的验证数据样本。

    显然,如果保持和测试数据集都被标记为(a)并且(b)尽可能接近训练数据中的正交性水平,那么您可以根据任何一个选择您的模型样本量较大。

    在你的情况下,看起来你所谓的保留样本只是训练中重复的CV重新采样。在这种情况下,您更有理由更喜欢测试数据集验证的结果。有关重复的简历,请参阅Steffen的相关note

    理论上,随机森林的装袋通过OOB统计数据具有交叉验证的继承形式,在训练阶段进行的简历应该为您提供一些验证措施。然而,在实践中,通常观察到缺乏正交性并且过度拟合的可能性增加,因为样本来自训练数据本身并且可能加剧了过度拟合的准确性的错误。

    我在理论上可以在某种程度上解释一下,然后我只需要告诉你,根据经验,我发现从训练数据中计算出的所谓CV和OOB误差的性能结果可能很高误导性和训练期间从未触及的真实保持(测试)数据是更好的验证。

    您的真实保留样本 是测试数据集,因为在训练期间没有任何数据正在使用。使用这些结果。