Caret 中每个交叉验证折叠的训练集和测试集的 ROC 曲线答案

【问题标题】：ROC curve for Training set and Test set for each fold of cross validation in CaretCaret 中每个交叉验证折叠的训练集和测试集的 ROC 曲线
【发布时间】：2018-04-03 22:04:25
【问题描述】：

是否可以为 Caret 中的 5 折交叉验证中的每一折分别设置训练集和测试集的 ROC 曲线？

library(caret)
train_control <- trainControl(method="cv", number=5,savePredictions =  TRUE,classProbs = TRUE)
output <- train(Species~., data=iris, trControl=train_control, method="rf")

我可以执行以下操作，但我不知道它是否会为 Fold1 的训练集或测试集返回 ROC：

library(pROC) 
selectedIndices <- rfmodel$pred$Resample == "Fold1"
plot.roc(rfmodel$pred$obs[selectedIndices],rfmodel$pred$setosa[selectedIndices])

【问题讨论】：

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

【解决方案1】：

确实，documentation 对rfmodel$pred 的内容一点也不清楚——我敢打赌，所包含的预测是针对用作测试集的折叠，但我不能指出其中的任何证据文档；尽管如此，不管怎样，您在尝试获得 ROC 的过程中仍然缺少一些要点。

首先，让我们将rfmodel$pred 隔离在一个单独的数据框中以便于处理：

dd <- rfmodel$pred

nrow(dd)
# 450

为什么是 450 行？这是因为您已经尝试了 3 个不同的参数集（在您的情况下，mtry 只使用了 3 个不同的值）：

rfmodel$results
# output:
  mtry Accuracy Kappa AccuracySD    KappaSD
1    2     0.96  0.94 0.04346135 0.06519202
2    3     0.96  0.94 0.04346135 0.06519202
3    4     0.96  0.94 0.04346135 0.06519202

150 行 X 3 设置 = 450。

让我们仔细看看rfmodel$pred的内容：

head(dd)

# result:
    pred    obs setosa versicolor virginica rowIndex mtry Resample
1 setosa setosa  1.000      0.000         0        2    2    Fold1
2 setosa setosa  1.000      0.000         0        3    2    Fold1
3 setosa setosa  1.000      0.000         0        6    2    Fold1
4 setosa setosa  0.998      0.002         0       24    2    Fold1
5 setosa setosa  1.000      0.000         0       33    2    Fold1
6 setosa setosa  1.000      0.000         0       38    2    Fold1

obs 列包含真实值
setosa、versicolor 和 virginica 三列分别包含为每个类计算的概率，它们每行的总和为 1
pred 列包含最终预测，即上述三列中概率最大的类

如果这就是整个故事，那么您绘制 ROC 的方式就可以了，即：

selectedIndices <- rfmodel$pred$Resample == "Fold1"
plot.roc(rfmodel$pred$obs[selectedIndices],rfmodel$pred$setosa[selectedIndices])

但这并不是故事的全部（仅仅存在 450 行而不是 150 行应该已经给出了提示）：请注意名为 mtry 的列的存在；事实上，rfmodel$pred 包含了所有次交叉验证运行的结果（即所有参数设置）：

tail(dd)
# result:
         pred       obs setosa versicolor virginica rowIndex mtry Resample
445 virginica virginica      0      0.004     0.996      112    4    Fold5
446 virginica virginica      0      0.000     1.000      113    4    Fold5
447 virginica virginica      0      0.020     0.980      115    4    Fold5
448 virginica virginica      0      0.000     1.000      118    4    Fold5
449 virginica virginica      0      0.394     0.606      135    4    Fold5
450 virginica virginica      0      0.000     1.000      140    4    Fold5

这就是你的selectedIndices计算不正确的根本原因；它还应该包括mtry 的特定选择，否则 ROC 没有任何意义，因为它“聚合”了多个模型：

selectedIndices <- rfmodel$pred$Resample == "Fold1" & rfmodel$pred$mtry == 2

正如我一开始所说，我敢打赌rfmodel$pred 中的预测是针对该文件夹作为测试集的；事实上，如果我们手动计算准确度，它们与上面显示的rfmodel$results 中报告的准确度一致（所有 3 种设置均为 0.96），我们知道这是用作 test 的文件夹（可以说，各自的训练精度为 1.0）：

for (i in 2:4) {  # mtry values in {2, 3, 4}

acc = (length(which(dd$pred == dd$obs & dd$mtry==i & dd$Resample=='Fold1'))/30 +
    length(which(dd$pred == dd$obs & dd$mtry==i & dd$Resample=='Fold2'))/30 +
    length(which(dd$pred == dd$obs & dd$mtry==i & dd$Resample=='Fold3'))/30 +
    length(which(dd$pred == dd$obs & dd$mtry==i & dd$Resample=='Fold4'))/30 +
    length(which(dd$pred == dd$obs & dd$mtry==i & dd$Resample=='Fold5'))/30
)/5

print(acc) 
}

# result:
[1] 0.96
[1] 0.96
[1] 0.96

【讨论】：