我正在尝试计算我的两个模型随机森林和朴素贝叶斯的 AUC 但得到相同的错误 ""$ operator is invalid for atomic vectors" 。 请问您有什么想法吗?
背景:目标变量“诊断”是非数值的,值为 B 和 M
这里是射频模型的示例代码
fitControl <- trainControl(method="cv",number = 5,preProcOptions = list(thresh = 0.4),classProbs = TRUE,summaryFunction = twoClassSummary)
wdbc_model_rf <- train(Diagnosis~.,train_wdbc,method="ranger",metric="ROC",preProcess = c('center', 'scale'),trControl=fitControl)
答案 0 :(得分:0)
下面是一个有效的 R 代码示例。请注意:您对 ROC 的兴趣意味着只有两个类。
Predict <- function(class_obj, newdata, Param) {
if(Param$method == 'RF') {
Predicted_Probs <- predict(class_obj, newdata = newdata, type = 'prob')
} else if(Param$method == 'GBM') {
Predicted_Probs <- predict(class_obj, newdata = newdata, type = 'response', n.trees = Param$n.trees)[,,1]
} else if(Param$method == 'SVM') {
Predicted_Probs <- predict(class_obj, newdata = newdata, type = 'probabilities')
} else if(Param$method == 'logit') {
Predicted_Probs <- predict(class_obj, newdata = newdata, type = 'response')
Predicted_Probs <- cbind(1 - Predicted_Probs, Predicted_Probs)
} else {
cat('\nPredict(): unknown classification method.')
}
Predicted_Probs[,2]
}
@@@
AUC <- function(Truth, Predicted_Probs) {
###########################################################################################################
# SETTINGS
d_Prob <- 0.01
###########################################################################################################
# CALCULATIONS
Prob_Grid <- seq(1, 0, -d_Prob)
NP <- length(Prob_Grid)
True_Positive_Rate <- c()
False_Positive_Rate <- c()
for(Prob_Threshold in Prob_Grid) {
Forecast <- as.factor( c(0, 1, 1 * (Predicted_Probs >= Prob_Threshold)) )
levels(Forecast) <- c('0', '1')
Forecast <- Forecast[-c(1,2)]
Table <- xtabs(~Truth + Forecast)
False_Positive_Rate <- c(False_Positive_Rate, Table[1,2] / (Table[1,1] + Table[1,2]))
True_Positive_Rate <- c(True_Positive_Rate, Table[2,2] / (Table[2,1] + Table[2,2]))
}
AUC <- 0
for(i in 2:NP) {
AUC <- AUC + True_Positive_Rate[i] * (False_Positive_Rate[i] - False_Positive_Rate[i-1])
}
AUC
}
请注意:代码非常通用,可以应用于许多方法,例如 support vector machines、gradient boosting、random forests 等。希望将代码修改为您的需求。