本文转载自https://www.cnblogs.com/Hyacinth-Yuan/p/7905855.html
本文主要将逻辑回归的实现,模型的检验等
参考博文http://blog.csdn.net/tiaaaaa/article/details/58116346;http://blog.csdn.net/ai_vivi/article/details/43836641
1.测试集和训练集(3:7比例)数据来源:http://archive.ics.uci.edu/ml/datasets/statlog+(australian+credit+approval)
1 2 3 4 5 6 7 8 9 | austra= read.table ( "australian.dat" ) head (austra) #预览前6行 N= length (austra$V15) #690行,15列 #ind=1,ind=2分别以0.7,0.3的概率出现 ind= sample (2,N,replace= TRUE ,prob= c (0.7,0.3)) aus_train=austra[ind==1,] aus_test=austra[ind==2,] |
2. 逻辑回归的实现及预测
1 2 3 4 5 6 7 8 9 | pre= glm (V15~.,data=aus_train,family= binomial (link= "logit" )) summary (pre) real=aus_test$V15 predict_= predict.glm (pre,type= "response" ,newdata=aus_test) predict= ifelse (predict_>0.5,1,0) aus_test$predict=predict head (aus_test) #write.csv(aus_test,"aus_test.csv") |
3.模型检验
1 2 3 4 5 6 7 8 9 10 11 12 | res= data.frame (real,predict) n= nrow (aus_train)<br> #计算Cox-Snell拟合优度 R2=1- exp ((pre$deviance-pre$null.deviance)/n) cat ( "Cox-Snell R2=" ,R2, "\n" ) #Cox-Snell R2= 0.5502854 <br>#计算Nagelkerke拟合优度 R2=R2/(1- exp ((-pre$null.deviance)/n)) cat ( "Nagelkerke R2=" ,R2, "\n" ) #Nagelkerke R2= 0.7379711 #模型其他指标 #residuals(pre) #残差 #coefficients(pre) #系数 #anova(pre) #方差 |
4.准确率和精度
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 | true_value=aus_test[,15] predict_value=aus_test[,16] #计算模型精度 error=predict_value-true_value #判断正确的数量占总数的比例 accuracy=( nrow (aus_test)- sum ( abs (error)))/ nrow (aus_test) #混淆矩阵中的量(混淆矩阵具体解释见下页) #真实值预测值全为1 / 预测值全为1 --- 提取出的正确信息条数/提取出的信息条数 precision= sum (true_value & predict_value)/ sum (predict_value) #真实值预测值全为1 / 真实值全为1 --- 提取出的正确信息条数 /样本中的信息条数 recall= sum (predict_value & true_value)/ sum (true_value) #P和R指标有时候会出现的矛盾的情况,这样就需要综合考虑他们,最常见的方法就是F-Measure(又称为F-Score) F_measure=2*precision*recall/(precision+recall) #F-Measure是Precision和Recall加权调和平均,是一个综合评价指标 #输出以上各结果 print (accuracy) print (precision) print (recall) print (F_measure) #混淆矩阵,显示结果依次为TP、FN、FP、TN table (true_value,predict_value) |
5. ROC曲线
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 | #ROC曲线 (ROC曲线详细解释见下页) # 方法1 #install.packages("ROCR") library (ROCR) pred <- prediction (predict_,true_value) #预测值(0.5二分类之前的预测值)和真实值 performance (pred, 'auc' )@y.values #AUC值 0.9191563 perf <- performance (pred, 'tpr' , 'fpr' ) #y轴为tpr(true positive rate),x轴为fpr(false positive rate) plot (perf) #方法2 #install.packages("pROC") library (pROC) modelroc <- roc (true_value,predict.) plot (modelroc, print.auc= TRUE , auc.polygon= TRUE ,legacy.axes= TRUE , grid= c (0.1, 0.2), grid.col= c ( "green" , "red" ), max.auc.polygon= TRUE , auc.polygon.col= "skyblue" , print.thres= TRUE ) #画出ROC曲线,标出坐标,并标出AUC的值 #方法3,按ROC定义 TPR= rep (0,1000) FPR= rep (0,1000) p=predict. for (i in 1:1000) { p0=i/1000; ypred<-1*(p>p0) TPR[i]= sum (ypred*true_value)/ sum (true_value) FPR[i]= sum (ypred*(1-true_value))/ sum (1-true_value) } plot (FPR,TPR,type= "l" ,col=2) points ( c (0,1), c (0,1),type= "l" ,lty=2) |
6. 更换测试集和训练集的选取方式,采用十折交叉验证
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 | australian <- read.table ( "australian.dat" ) #将australian数据分成随机十等分 #install.packages("caret") #固定folds函数的分组 set.seed (7) library (caret) folds <- createFolds (y=australian$V15,k=10) #构建for循环,得10次交叉验证的测试集精确度、训练集精确度 max=0 num=0 for (i in 1:10){ fold_test <- australian[folds[[i]],] #取folds[[i]]作为测试集 fold_train <- australian[-folds[[i]],] # 剩下的数据作为训练集 print ( "***组号***" ) fold_pre <- glm (V15 ~.,family= binomial (link= 'logit' ),data=fold_train) fold_predict <- predict (fold_pre,type= 'response' ,newdata=fold_test) fold_predict = ifelse (fold_predict>0.5,1,0) fold_test$predict = fold_predict fold_error = fold_test[,16]-fold_test[,15] fold_accuracy = ( nrow (fold_test)- sum ( abs (fold_error)))/ nrow (fold_test) print (i) print ( "***测试集精确度***" ) print (fold_accuracy) print ( "***训练集精确度***" ) fold_predict2 <- predict (fold_pre,type= 'response' ,newdata=fold_train) fold_predict2 = ifelse (fold_predict2>0.5,1,0) fold_train$predict = fold_predict2 fold_error2 = fold_train[,16]-fold_train[,15] fold_accuracy2 = ( nrow (fold_train)- sum ( abs (fold_error2)))/ nrow (fold_train) print (fold_accuracy2) if (fold_accuracy>max) { max=fold_accuracy num=i } } print (max) print (num) ##结果可以看到,精确度accuracy最大的一次为max,取folds[[num]]作为测试集,其余作为训练集。 |
7.十折交叉验证的准确度
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 | #十折里测试集最大精确度的结果 testi <- australian[folds[[num]],] traini <- australian[-folds[[num]],] # 剩下的folds作为训练集 prei <- glm (V15 ~.,family= binomial (link= 'logit' ),data=traini) predicti <- predict.glm (prei,type= 'response' ,newdata=testi) predicti = ifelse (predicti>0.5,1,0) testi$predict = predicti #write.csv(testi,"ausfold_test.csv") errori = testi[,16]-testi[,15] accuracyi = ( nrow (testi)- sum ( abs (errori)))/ nrow (testi) #十折里训练集的精确度 predicti2 <- predict.glm (prei,type= 'response' ,newdata=traini) predicti2 = ifelse (predicti2>0.5,1,0) traini$predict = predicti2 errori2 = traini[,16]-traini[,15] accuracyi2 = ( nrow (traini)- sum ( abs (errori2)))/ nrow (traini) #测试集精确度、取第i组、训练集精确 accuracyi;num;accuracyi2 #write.csv(traini,"ausfold_train.csv") |
混淆矩阵
| | 预测 | | |
| | 1 | 0 | |
实 | 1 | True Positive(TP) | True Negative(TN) | Actual Positive(TP+TN) |
际 | 0 | False Positive(FP) | False Negative(FN) | Actual Negative(FP+FN) |
| | Predicted Positive(TP+FP) | Predicted Negative(TN+FN) | (TP+TN+FP+FN) |
AccuracyRate(准确率): (TP+TN)/(TP+TN+FN+FP)
ErrorRate(误分率): (FN+FP)/(TP+TN+FN+FP)
Recall(召回率,查全率,击中概率): TP/(TP+FN), 在所有GroundTruth为正样本中有多少被识别为正样本了;
Precision(查准率):TP/(TP+FP),在所有识别成正样本中有多少是真正的正样本;
TPR(True Positive Rate): TP/(TP+FN),实际就是Recall
FAR(False Acceptance Rate)或FPR(False Positive Rate):FP/(FP+TN), 错误接收率,误报率,在所有GroundTruth为负样本中有多少被识别为正样本了;
FRR(False Rejection Rate): FN/(TP+FN),错误拒绝率,拒真率,在所有GroundTruth为正样本中有多少被识别为负样本了,它等于1-Recall
ROC曲线(receiver operating characteristic curve)
-
横轴是FPR,纵轴是TPR;
-
每个阈值的识别结果对应一个点(FPR,TPR),当阈值最大时,所有样本都被识别成负样本,对应于左下角的点(0,0),当阈值最小时,所有样本都被识别成正样本,对应于右上角的点(1,1),随着阈值从最大变化到最小,TP和FP都逐渐增大;
-
一个好的分类模型应尽可能位于图像的左上角,而一个随机猜测模型应位于连接点(TPR=0,FPR=0)和(TPR=1,FPR=1)的主对角线上;
-
可以使用ROC曲线下方的面积AUC(AreaUnder roc Curve)值来度量算法好坏:如果模型是完美的,那么它的AUG = 1,如果模型是个简单的随机猜测模型,那么它的AUG = 0.5,如果一个模型好于另一个,则它的曲线下方面积相对较大;
-
ERR(Equal Error Rate,相等错误率):FAR和FRR是同一个算法系统的两个参数,把它放在同一个坐标中。FAR是随阈值增大而减小的,FRR是随阈值增大而增大的。因此它们一定有交点。这个点是在某个阈值下的FAR与FRR等值的点。习惯上用这一点的值来衡量算法的综合性能。对于一个更优的指纹算法,希望在相同阈值情况下,FAR和FRR都越小越好。