ROC/AUC简易试验最佳截止点灵敏度特异度约登召回率模糊矩阵学习链接,鼠标放在这里下一个矩阵金标准-模型truepositives(TP ) falsepositives ) FP ) falsenegatives
错误率errorrate=1accuracy=(fpfn )/(pn )
假阳性率False Positive Rate=FP/N
灵敏度=真阳性正确率truepositiverate=recall=sensitivity=TP/p
假阴性率False Negative Rate=FN/P
特异性=真阴性正确率truenegativerate=specificity=TN/n
#是加载程序包库(proc )、爱丽丝) yun wi hu)数据数据(data ) iris ) iris ) iris )还是显示变量)第一种分类变量iris=iris ) 555 未使用的label Iris$species=drop levels (iris $ species ) roc_result-roc ) iris $ species,iris$Sepal.Width, ci=true(ROC_resultplot ) roc _ roc _ smooth-smooth ) roc_result,method=' binormal ' (binormal ) plot )平滑roc绘图准确率=roccoords(roc_result,' best ' ) coords ) roc_result,' best ',ret=c('TPR ',' tnr ',' precision ' )
#‘arg’should beone of“threshold”、“specificity”、“sensitivity”、“accuracy”
)、TN、tp、fn、fp、npv、ppv、fdr、fpr、tpr、tnr、fnr、
#’“1 -规范”、“1 -敏感”、“1 -访问”、“1-npv”、“1-ppv”、
#’“precision”、“recall”、“youden”、“closest.topleft”
#创建混淆矩阵#最佳切割点a=coords(roc_result,' best ' ) [1][1, 1 ]提取#以生成新变量,基于最佳切割点分类预测分类变量iris$prediction=as.character ) iris ),然后提取较大的iris $ prediction [ iris $ sepal ] - ' versi color ' iris $ prediction [ iris $ sepal.widtha ]-' virgin ICA ' # control=-table (OBS _ p,dnn=c )预测值
查看每个指标的置信区间#查看每个置信区间的库(report roc )数据$ group=factor (iris $ species,levels=c ) Versicolor ),) virginica ) predictor=iris$Sepal.Width,) #例如,acca=detailrocpaste0(ACC ) :a(ACC )、()、paste ) )、paste )