插入符号分类阈值
Posted
技术标签:
【中文标题】插入符号分类阈值【英文标题】：Caret classification thresholds 【发布时间】：2021-04-26 21:49:56 【问题描述】：我一直在使用Rstudio 中的caret 包中的gbm 来查找发生故障的概率。
我使用 Youden 的 J 来找到最佳分类的阈值，即 0.63。我现在如何使用这个阈值？我认为最好的方法是以某种方式将阈值合并到caret 中的gbm 模型中以获得更准确的预测，然后再次在训练数据上重新运行模型？目前它默认为 0.5，我找不到更新阈值的明显方法。
或者，阈值是否仅用于将测试数据预测分成正确的类别？这似乎更直接，但是假设应该根据新阈值更新概率，那么我如何反映 ROC_AUC 图中的变化？
我们将不胜感激地接受任何帮助。谢谢
编辑：我正在处理的完整代码如下：
library(datasets)
library(caret)
library(MLeval)
library(dplyr)
data(iris)
data <- as.data.frame(iris)
# create class
data$class <- ifelse(data$Species == "setosa", "yes", "no")
# split into train and test
train <- data %>% sample_frac(.70)
test <- data %>% sample_frac(.30)
# Set up control function for training
ctrl <- trainControl(method = "cv",
number = 5,
returnResamp = 'none',
summaryFunction = twoClassSummary,
classProbs = T,
savePredictions = T,
verboseIter = F)
# Set up trainng grid - this is based on a hyper-parameter tune that was recently done
gbmGrid <- expand.grid(interaction.depth = 10,
n.trees = 20000,
shrinkage = 0.01,
n.minobsinnode = 4)
# Build a standard classifier using a gradient boosted machine
set.seed(5627)
gbm_iris <- train(class ~ .,
data = train,
method = "gbm",
metric = "ROC",
tuneGrid = gbmGrid,
verbose = FALSE,
trControl = ctrl)
# Calcuate best thresholds
caret::thresholder(gbm_iris, threshold = seq(.01,0.99, by = 0.01), final = TRUE, statistics = "all")
pred <- predict(gbm_iris, newdata = test, type = "prob")
roc <- evalm(data.frame(pred, test$class))
【问题讨论】：
您是如何找到最佳阈值的？ 我通过使用caretsthresholder函数找到了我的最佳阈值如下：thres <- caret::thresholder(gbm, threshold = seq(.01,0.99, by = 0.01), final = TRUE, statistics = "all")。由此我使用了 Youden 的 J，它给了我 0.63 的值，这给了我最好的 FPR，但也降低了 TPR。
请参阅***.com/questions/65814703/…。如果有不清楚的地方，请重写问题以包含可重现的示例，我会尽力回答。
感谢误用，我已更新帖子以包含可重现的代码。您提供的链接真的很有帮助，据我所知，插入符号不支持从 0.5 更改模型阈值。我可以在 R 中使用哪个包来帮助更改gbm 模型的阈值？改变模型中的阈值是最好的方法吗？谢谢。
您的代码的问题是 All_train.rds 在 SO 上我们无法访问。您能否发布一个带有内置数据集的可重现示例。您可以通过预测概率并手动设置阈值来更改插入符号中的预测阈值。
【参考方案1】：
您的代码中有几个问题。我将使用来自mlbench 的PimaIndiansDiabetes 数据集，因为它比iris 数据集更适合。
首先将数据拆分为训练集和测试集的代码：
train <- data %>% sample_frac(.70)
test <- data %>% sample_frac(.30)
不适合，因为出现在训练集中的某些行也会出现在测试集中。
另外避免使用函数名作为对象名，从长远来看会省去很多麻烦。
data(iris)
data <- as.data.frame(iris) #bad object name
举个例子：
library(caret)
library(ModelMetrics)
library(dplyr)
library(mlbench)
data(PimaIndiansDiabetes, package = "mlbench")
创建训练集和测试集，您可以使用基础 R sample 对行或 caret::createDataPartition 进行采样。 createDataPartition 更可取，因为它试图保留响应的分布。
set.seed(123)
ind <- createDataPartition(PimaIndiansDiabetes$diabetes, 0.7)
tr <- PimaIndiansDiabetes[ind$Resample1,]
ts <- PimaIndiansDiabetes[-ind$Resample1,]
这样，训练集中的行将不会出现在测试集中。
让我们创建模型：
ctrl <- trainControl(method = "cv",
number = 5,
returnResamp = 'none',
summaryFunction = twoClassSummary,
classProbs = T,
savePredictions = T,
verboseIter = F)
gbmGrid <- expand.grid(interaction.depth = 10,
n.trees = 200,
shrinkage = 0.01,
n.minobsinnode = 4)
set.seed(5627)
gbm_pima <- train(diabetes ~ .,
data = tr,
method = "gbm", #use xgboost
metric = "ROC",
tuneGrid = gbmGrid,
verbose = FALSE,
trControl = ctrl)
为阈值器创建一个概率向量
probs <- seq(.1, 0.9, by = 0.02)
ths <- thresholder(gbm_pima,
threshold = probs,
final = TRUE,
statistics = "all")
head(ths)
Sensitivity Specificity Pos Pred Value Neg Pred Value Precision Recall F1 Prevalence Detection Rate Detection Prevalence
1 200 10 0.01 4 0.10 1.000 0.02222222 0.6562315 1.0000000 0.6562315 1.000 0.7924209 0.6510595 0.6510595 0.9922078
2 200 10 0.01 4 0.12 1.000 0.05213675 0.6633439 1.0000000 0.6633439 1.000 0.7975413 0.6510595 0.6510595 0.9817840
3 200 10 0.01 4 0.14 0.992 0.05954416 0.6633932 0.8666667 0.6633932 0.992 0.7949393 0.6510595 0.6458647 0.9739918
4 200 10 0.01 4 0.16 0.984 0.07435897 0.6654277 0.7936508 0.6654277 0.984 0.7936383 0.6510595 0.6406699 0.9636022
5 200 10 0.01 4 0.18 0.984 0.14188034 0.6821550 0.8750000 0.6821550 0.984 0.8053941 0.6510595 0.6406699 0.9401230
6 200 10 0.01 4 0.20 0.980 0.17179487 0.6886786 0.8833333 0.6886786 0.980 0.8086204 0.6510595 0.6380725 0.9271018
Balanced Accuracy Accuracy Kappa J Dist
1 0.5111111 0.6588517 0.02833828 0.02222222 0.9777778
2 0.5260684 0.6692755 0.06586592 0.05213675 0.9478632
3 0.5257721 0.6666781 0.06435166 0.05154416 0.9406357
4 0.5291795 0.6666781 0.07134190 0.05835897 0.9260250
5 0.5629402 0.6901572 0.15350721 0.12588034 0.8585308
6 0.5758974 0.6979836 0.18460584 0.15179487 0.8288729
根据您的首选指标提取阈值概率
ths %>%
mutate(prob = probs) %>%
filter(J == max(J)) %>%
pull(prob) -> thresh_prob
thresh_prob
0.74
根据测试数据预测
pred <- predict(gbm_pima, newdata = ts, type = "prob")
根据测试集中的响应创建一个数字响应（0 或 1），因为这是包 ModelMetrics 中的函数所需要的
real <- as.numeric(factor(ts$diabetes))-1
ModelMetrics::sensitivity(real, pred$pos, cutoff = thresh_prob)
0.2238806 #based on this it is clear the threshold chosen is not optimal on this test data
ModelMetrics::specificity(real, pred$pos, cutoff = thresh_prob)
0.956
ModelMetrics::kappa(real, pred$pos, cutoff = thresh_prob)
0.2144026 #based on this it is clear the threshold chosen is not optimal on this test data
ModelMetrics::mcc(real, pred$pos, cutoff = thresh_prob)
0.2776309 #based on this it is clear the threshold chosen is not optimal on this test data
ModelMetrics::auc(real, pred$pos)
0.8047463 #decent AUC and low mcc and kappa indicate a poor choice of threshold
Auc 是对所有阈值的度量，因此不需要指定截止阈值。
由于只使用了一次训练/测试拆分，因此性能评估会存在偏差。最好是使用嵌套重采样，以便可以在多个训练/测试拆分上评估相同的结果。 Here is a way 执行嵌套重采样。
编辑：回答 cmets 中的问题。
要创建 roc 曲线，您不需要计算所有阈值的敏感性和特异性，您可以使用指定的包来完成此类任务。结果是概率会更值得信赖。 我更喜欢使用 pROC 包：
library(pROC)
roc.obj <- roc(real, pred$pos)
plot(roc.obj, print.thres = "best")
图中的最佳阈值是对测试数据给出最高特异性+灵敏度的阈值。很明显，这个阈值 (0.289) 远低于基于交叉验证预测获得的阈值 (0.74)。这就是为什么我说如果你调整交叉验证预测的阈值并将由此获得的性能作为阈值成功的指标，将会有相当大的乐观偏差。
在上面的示例中，不调整阈值会在测试集上产生更好的性能。这对于 Pima Indians 数据集可能普遍适用，或者这可能是不幸的训练/测试拆分的情况。所以最好使用嵌套重采样来验证这种事情。
【讨论】：
谢谢小姐，这真的很有帮助！澄清一下，如果 AUC 不需要截止阈值，那么为测试数据集呈现的 ROC 曲线是否不需要根据阈值更新？我问的原因是因为我在文献中读过这个...... ROC曲线是通过改变辨别阈值并将TPR与FPR绘制曲线来创建的。当我这样做时，我没有得到一条曲线，而是两条直线到一个点，正如 1/0 类所预期的那样。我想根据更新的阈值返回概率。我该怎么做？ 我指出了如何用 R 构建 ROC 曲线的一种方法，并附有一些额外的解释。 谢谢小姐，这个答案非常适合我的需要！ 很高兴听到这个消息。请阅读：***.com/help/someone-answers以上是关于插入符号分类阈值的主要内容，如果未能解决你的问题，请参考以下文章