R中快速绘制PR曲线并计算AUPR-modEvA包

最新推荐文章于 2024-08-09 14:28:19 发布
最新推荐文章于 2024-08-09 14:28:19 发布
阅读量5.7k 收藏 21
点赞数 4
文章标签： r语言 auc
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_37395039/article/details/105614964
版权

前言：

绘制ROC曲线的R包有很多，例如pROC、ROCR等，并可以获得AUC，有的顺便可以绘制PR曲线，但不能获得AUPR。最近需要获取AUPR，但查询网上几乎没有关于AUPR的，这里查找到一个简单的R包-modEvA，写下使用的简单案例。

术语：

PR曲线：precision-recall curve，以recall作为横坐标轴，precision作为纵坐标轴

AUPR：Area under the precision-recall curve，PR曲线下的面积

参考：

Barbosa A.M., Real R., Muñoz A.R. & Brown J.A. (2013) New measures for assessing model equilibrium and prediction mismatch in species distribution models. Diversity and Distributions 19: 1333-1338 (DOI: 10.1111/ddi.12100)

https://cran.r-project.org/web/packages/modEvA/modEvA.pdf</

最低0.47元/天 解锁文章
不知取啥名的7元
关注
  • 4
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
R语言使用yardstick包的pr_curve函数评估多分类（Multiclass）模型的性能、查看模型在多分类每个分类上的ROC曲线(precision(精准率),R代表的是recall(召回率)
data+scenario+science+insight
08-05 470
R语言使用yardstick包的pr_curve函数评估多分类（Multiclass）模型的性能、查看模型在多分类每个分类上的ROC曲线(PR曲线：precision(精准率),R代表的是recall(召回率),其代表的是精准率与召回率的关系)
R语言plotly可视化：使用plotly可视化二分类模型的PR曲线、计算并在曲线中添加AUC值（basic binary Precision-Recall Curves and auc score）
data+scenario+science+insight
04-27 441
R语言plotly可视化：使用plotly可视化二分类模型的PR曲线、计算并在曲线中添加AUC值（basic binary Precision-Recall Curves and auc score）
用R语言画ROC曲线及精确召回曲线(Precision-Recall Curve)
NickyCat的博客
05-24 5240
R语言绘制ROC曲线和PR曲线
R语言中绘制ROC曲线和PR曲线
weixin_34178244的博客
05-06 1498
接收器操作特性（ROC）曲线可能是评估评分分类器的预测性能的最常用的度量。 预测正类（+1）和负类（-1）的分类器的混淆矩阵具有以下结构： 预测/参考类+1-1 +1 TP FP -1 FN TN 这里，TP表示真阳性的数量（模型正确预测正类），FP表示误报的数量（模型错误地预测正类），FN表示假阴性的数量（模型错误地预测阴性类），TN表示...
Python利用Seaborn绘制ROC和PR曲线以及AUC与AUPR的计算
qq_45647530的博客
06-01 1853
ROC曲线 [1], [2]（ReceiverOperatingCharacteristic Curve，接收者操作特征曲线）是一种用于评估二分类模型性能的重要工具。ROC曲线通过不同阈值下的真阳性率（True Positive Rate, TPR）和假阳性率（False Positive Rate, FPR）的变化情况，直观地展示模型的分类能力。具体而言，ROC曲线的横轴表示假阳性率，纵轴表示真阳性率。假阳性率是指将负样本错误地分类为正样本的比例，而真阳性率是指将正样本正确地分类为正样本的比例。
R语言使用yardstick包的pr_curve函数评估二分类（binary）模型的性能、并使用autoplot函数可视化模型的PR曲线（precision recall）
data+scenario+science+insight
01-10 757
R语言使用yardstick包的pr_curve函数评估二分类（binary）模型的性能、并使用autoplot函数可视化模型的PR曲线（precision recall）
精确调用曲线：用于计算和可视化的Matlab代码：用于分类的精确调用曲线，AUPR，准确性等
02-04
在本项目中，我们关注的是如何使用Matlab来计算和可视化精确调用曲线，以及与之相关的AUPR（Area Under the Precision-Recall Curve）指标。 首先，精确调用曲线是通过改变分类器的阈值，绘制出不同阈值下精确率...
matlabauc代码-trustworthiness:用于计算可信赖度p值的重采样策略的MATLAB代码
05-24
Matlab的耳语可信赖度 如果使用，请参考： Durán，C.，Ciucci，S.，Palladini，A。等。 扰动胃微生物组的非线性机器学习模式识别和...精确调用曲线下的区域（'AUPR'） F。 马修斯相关系数（MCC） G。 F分数（'Fscore'
draw_roc.rar_Matlab ROC_ROC曲线_ROC曲线MATLAB_ROC曲线、_roc
07-15
在matlab，支持向量机，画roc ，AUPR曲线
Faster_RCNN绘制P-R曲线、检测视频
03-14
共包含三个文件： demo_video.py用于训练好的模型进行视频检测； pr-curve.py用于绘制P-R曲线（方法一） pascal_voc.py用于绘制P-R曲线（方法二）
显著性检测PR曲线
06-08
显著性检测中画PR曲线的代码，需要自己生成的显著图和Ground Truth。
[MM [prime] (AuPR3) 2 (µ-H) (µ-PCy2) (µ4-PCy) (CO) 6] (M, M [prime] [hairsp] = [hairsp] Mn , Re ; R [hairsp] = [hairsp] Ph, Cy, Et)：合成、结构和拓扑异构化
06-29
[MM [prime] (AuPR3) 2 (µ-H) ...溶液中，复合物 [Re2 (lH) (l-PCy2) (CO) 7 (ax-H2PCy)] (1) 在对四核复合物的光化学React [Re2 (AuPR3) 2 (lH) (l-PCy2) (l4-PCy) (CO) 6] (R = Ph (2), Cy (3), Et
R语言使用yardstick包的pr_curve函数评估多分类（Multiclass）模型的性能、并使用autoplot函数可视化模型在每个交叉验证（或者重采样）的每一折fold在每个分类上的PR曲线
data+scenario+science+insight
11-28 172
R语言使用yardstick包的pr_curve函数评估多分类（Multiclass）模型的性能、并使用autoplot函数可视化模型在每个交叉验证（或者重采样）的每一折fold在每个分类上的PR曲线（precision recall）
R语言plotly可视化：使用plotly可视化数据划分后的训练集和测试集、使用不同的形状标签表征、训练集、测试集、以及数据集的分类标签（Display training and test split
data+scenario+science+insight
06-24 269
R语言plotly可视化：使用plotly可视化数据划分后的训练集和测试集、使用不同的形状标签表征、训练集、测试集、以及数据集的分类标签（Display training and test splits）
P-R曲线绘制 *鸢尾花
qq_61676094的博客
10-23 740
不同的阈值会导致精确率和召回率的变化，相应地，PR曲线会在precision-recall空间中绘制出各个阈值对应的点。SVM的目标是找到一个超平面，使得不同类别的样本点最大化到该超平面的距离。精确率：预测为正类的数据中实际为正类的比例，公式为：Precision = TP / (TP + FP)，其中TP表示真正例，FP表示假正例。此处用的分类器为SVM分类器，SVM的主要思想是找到一个最优的超平面来分离数据，使得两个不同类别的样本点到该超平面的距离最大化。P—R曲线真好玩，下次还要玩~
机器学习——P-R曲线的绘制
m0_59706452的博客
11-06 2468
PR曲线
PR曲线和ROC曲线理解2---进阶理解
qm5132的博客
09-29 2287
前段时间写了ROC曲线和PR曲线的思想，这次做一些延伸： PR曲线计算范围：大于阀值的那些样本计算得到。 而ROC曲线计算范围：根据阀值点对全量样本判断，进而依据全量样本计算。 1、什么是BEP（best event point），怎么选择 BEP是PR曲线中P=R时对应的阀值点，即在哪一个阀值下，精确率p和召回率r会相等。结合pr曲线趋势理解，bep越大，说明pr曲线越靠近右上角，...
略谈set与map的pair封装与进入哈希
最新发布
creative_mind的博客
08-09 1204
一，哈希是一种数学函数，它接受一个输入（或“消息”），然后返回一个通常更小的固定大小的输出，这个输出称为“哈希值”或“哈希码”。映射：哈希思想通过哈希函数将任意长度的数据映射到固定长度的哈希值。这个映射过程是单向的，即从数据到哈希值是容易的，但从哈希值回溯到原始数据几乎是不可能的。快速性：哈希函数的设计旨在快速计算，以便在大数据集中实现高效的数据访问。均匀分布：理想情况下，哈希函数应该能够将输入数据均匀地分布在哈希值空间中，以减少冲突并提高查找效率。
python中，如何对生存数据进行cox分析，建立cox生存模型，并计算AUC、MCC、AUPR、DCA、KM曲线和校准曲线的示例代码或者包和详细解释
07-17
在Python中，你可以使用 lifelines 包来进行生存数据的Cox分析，建立Cox生存模型，并计算AUC、MCC、AUPR、DCA、KM曲线和校准曲线。 首先，需要安装 lifelines 包，可以使用以下命令进行安装： ``` pip install lifelines ``` 接下来，我们将详细解释并提供示例代码来完成你的需求。 1. 导入所需的库和模块： ```python import pandas as pd import numpy as np from lifelines import CoxPHFitter from lifelines.utils import concordance_index from lifelines.utils import k_fold_cross_validation from sklearn.metrics import matthews_corrcoef, roc_auc_score, average_precision_score, precision_recall_curve import matplotlib.pyplot as plt ``` 2. 加载数据并进行预处理： ```python # 假设你的生存数据保存在名为 'data.csv' 的CSV文件中，其中包含特征和生存时间 data = pd.read_csv('data.csv') # 对数据进行预处理，例如删除缺失值等 data = data.dropna() ``` 3. 创建Cox生存模型并拟合数据： ```python # 创建CoxPHFitter对象 cph = CoxPHFitter() # 拟合Cox生存模型 cph.fit(data, 'time', event_col='event') ``` 4. 计算Cox模型的性能指标： ```python # 预测生存概率 data['predicted_proba'] = cph.predict_survival_function(data).T.iloc[:, 0] # 计算AUC auc = roc_auc_score(data['event'], data['predicted_proba']) # 计算MCC mcc = matthews_corrcoef(data['event'], data['predicted_proba'] > 0.5) # 计算AUPR aupr = average_precision_score(data['event'], data['predicted_proba']) # 计算DCA dca = k_fold_cross_validation(cph, data, 'time', event_col='event', k=5).mean() # 绘制KM曲线 cph.plot() # 绘制校准曲线 cph.plot_calibration_curve(data, 'time', event_col='event') ``` 以上代码提供了一个简单的示例，你可以根据你的数据和需求进行适当的修改。请确保在使用之前，先根据你的实际情况加载和预处理数据。 希望这个示例能帮助到你！
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值