分类模型评价一般有以下几种方法：混淆矩阵(Confusion Matrix)、收益图(Gain Chart)、提升图(Lift Chart)、KS图(KS Chart)、接受者操作特性曲线(ROC Chart)。“分类模型评价与在R中的实现”系列中将逐个介绍。

上篇介绍最基础的混淆矩阵。
本篇介绍收益图(Gain Chart)与提升图(Lift Chart)。

一、收益图/提升图简介

回顾上篇，混淆矩阵评价的是模型在总体样本的表现。下面介绍的收益/提升图评估的是模型捕捉到的所有正响应，对比真实分类情况的表现。

模型捕捉到的正响应是用什么来表示呢？回顾混淆矩阵可组合出的指标RPP(Rate of positive predictions) = (TP+FP)/(P+N)，正是所有预测中，预测为正的比例。根据不同的阀值，RPP的范围为[0,1]。自然地，这收益图/提升图的公共横轴为累计RPP。

纵轴需要评价模型在预测为正的事件中，正确的概率。也就是模型的TPR(True Positive Rate)，此间的TPR也可称为收益值(Gain Value)。提升值(Lift Value)则进一步考虑了在某个RPP下的TPR的这个相对性概念，用TPR/RPP计算。

二、在R中计算收益/提升表、作图

1 直接计算

举一个最简单的例子说明。还是和上次一样用ROCR包中的ROCR.simple数据，为了方便查看，只取前10条。

require(ROCR)
data(ROCR.simple)
data <- as.data.frame(ROCR.simple)[1:10, ]

按照以下步骤计算gain/lift值：

按预测分值对数据集排序
用当前行号/总行数当做Rate of Positive
计算TPR
用TPR列与RPP列计算Lift值

data <- data[order(data[, 1], decreasing = TRUE), ]
data$rpp <- row(data[, 1, drop = FALSE])/nrow(data)
data$target_cum <- cumsum(data[, "labels"])
data$tpr <- data$target_cum/sum(data[, "labels"])
data$lift <- data$tpr/data$rpp
data

##    predictions labels rpp target_cum    tpr   lift
## 7       0.9706      1 0.1          1 0.1667 1.6667
## 8       0.8902      1 0.2          2 0.3333 1.6667
## 10      0.8688      0 0.3          2 0.3333 1.1111
## 9       0.7818      1 0.4          3 0.5000 1.2500
## 1       0.6125      1 0.5          4 0.6667 1.3333
## 3       0.4321      0 0.6          4 0.6667 1.1111
## 5       0.3849      0 0.7          4 0.6667 0.9524
## 2       0.3643      1 0.8          5 0.8333 1.0417
## 6       0.2444      1 0.9          6 1.0000 1.1111
## 4       0.1403      0 1.0          6 1.0000 1.0000

有了如上结果，将RPP放横轴，TPR/Lift放纵轴分别画出收益图和提升图。

par(mfrow = c(1, 2))
plot(data$rpp, data$tpr, type = "l", main = "Gain Chart")
plot(data$rpp, data$lift, type = "l", main = "Lift Chart")

2 用ROCR包画图

用ROCR的prediction()和performance()函数可以很简单地将模型结果转化为评价可以直接使用的指标。这次以ROCR.simple所有数据为例。

require(ROCR)
data(ROCR.simple)
pred <- prediction(ROCR.simple$predictions, ROCR.simple$labels)
par(mfrow = c(1, 2))
gain <- performance(pred, "tpr", "rpp")
plot(gain, main = "Gain Chart")
lift <- performance(pred, "lift", "rpp")
plot(lift, main = "Lift Chart")

对于收益图，理想的收益图应快速达到很高的累计收益值，并很快趋于100%；理想的提升图应该在很高的提升值上保持一段，或缓慢下降一段，然后迅速下降到1。根据上面两个图，可以做出结论，如果我们选择20%的RPP，那么模型的真正率约为35%左右（收益图），将比不使用任何模型获得约1.7倍的正回应（提升图）。

from: http://iccm.cc/classification-model-evaluation-gain-chart-lift-chart/

分类器评价与在R中的实现：收益图与提升图相关推荐

分类器评价与在R中的实现：ROC图与AUC
分类模型评价一般有以下几种方法:混淆矩阵(Confusion Matrix).收益图(Gain Chart).提升图(Lift Chart).KS图(KS Chart).接受者操作特性曲线(ROC C ...
分类器评价与在R中的实现：混淆矩阵
分类模型评价一般有以下几种方法:混淆矩阵(Confusion Matrix).收益图(Gain Chart).提升图(Lift Chart).KS图(KS Chart).接受者操作特性曲线(ROC C ...
Co-occurrence网络图在R中的实现
作者:陈亮单位:中科院微生物所编者按:上个月菌群月坛,在军科院听取王军组陈亮博士分享网络分析的经验,不仅使我对网络的背景知识有了更全面的认识,更使我手上一个关于菌根的课题有极大的启示.这么好的知识 ...
一文学会网络分析——Co-occurrence网络图在R中的实现
作者:陈亮单位:中科院微生物所编者按:在菌群月坛,在军科院听取王军组陈亮博士分享网络分析的经验,不仅使我对网络的背景知识有了更全面的认识,更使我手上一个关于菌根的课题有极大的启示.这么好的知识, ...
R plot图片背景设置为透明_一文学会网络分析——Cooccurrence网络图在R中的实现...
作者:陈亮单位:中科院微生物所编者按:在菌群月坛,在军科院听取王军组陈亮博士分享网络分析的经验,不仅使我对网络的背景知识有了更全面的认识,更使我手上一个关于菌根的课题有极大的启示.这么好的知识, ...
echart 广州3d_【R中最好的3D地理可视化】之echarts4r
本系列主要介绍R语言中当下最好的3D地理可视化,且完全可以商用或科研用. 涉及到的包有echarts4r,mapdeck,rayshader. 首先展示一下三种包做出的可视化效果, (1)echart ...
rstudio中位数的公式_如何在R中找到中位数
rstudio中位数的公式 In this tutorial, let's learn how we can find the median in R. Median is defined as th ...
独家 | 在R中使用LIME解释机器学习模型
作者:PURVAHUILGOL 翻译:陈丹校对:欧阳锦本文约3200字,建议阅读15分钟本文为大家介绍如何在R中使用LIME来解释机器学习模型,并提供了相关代码. 关键词:机器学习模型解释.R语 ...
图像梯度增强_使用梯度增强机在R中进行分类
图像梯度增强背景 (Background) Purpose of analysis: 分析目的: Understand the factors driving student success so ...

分类器评价与在R中的实现：收益图与提升图

一、收益图/提升图简介

二、在R中计算收益/提升表、作图

1 直接计算

2 用ROCR包画图

分类器评价与在R中的实现：收益图与提升图相关推荐

最新文章

热门文章