在 R 中计算随机森林模型的 AUC

问题描述

我正在尝试计算我的两个模型随机森林和朴素贝叶斯的 AUC 但得到相同的错误 ""$ operator is invalid for atomic vectors" 。 请问您有什么想法吗？

背景：目标变量“诊断”是非数值的，值为 B 和 M

这里是射频模型的示例代码

fitControl <- trainControl(method="cv",number = 5,preProcoptions = list(thresh = 0.4),classprobs = TRUE,summaryFunction = twoClassSummary)

wdbc_model_rf <- train(Diagnosis~.,train_wdbc,method="ranger",metric="ROC",preProcess = c('center','scale'),trControl=fitControl)

解决方法

下面是一个有效的 R 代码示例。请注意：您对 ROC 的兴趣意味着只有两个类。

Predict <- function(class_obj,newdata,Param) {

if(Param$method == 'RF') {
    Predicted_Probs         <- predict(class_obj,newdata = newdata,type = 'prob')
} else if(Param$method == 'GBM') {
    Predicted_Probs         <- predict(class_obj,type = 'response',n.trees = Param$n.trees)[,1]
} else if(Param$method == 'SVM') {
    Predicted_Probs         <- predict(class_obj,type = 'probabilities')
} else if(Param$method == 'logit') {
    Predicted_Probs         <- predict(class_obj,type = 'response')
    Predicted_Probs         <- cbind(1 - Predicted_Probs,Predicted_Probs)
} else { 
    cat('\nPredict(): unknown classification method.')
}

Predicted_Probs[,2]

}

@@@

AUC <- function(Truth,Predicted_Probs) {

###########################################################################################################
# SETTINGS

d_Prob              <- 0.01

###########################################################################################################
# CALCULATIONS

Prob_Grid               <- seq(1,-d_Prob)
NP                  <- length(Prob_Grid)
True_Positive_Rate      <- c()
False_Positive_Rate     <- c()

for(Prob_Threshold in Prob_Grid) {
    Forecast                <- as.factor( c(0,1,1 * (Predicted_Probs >= Prob_Threshold)) )
    levels(Forecast)            <- c('0','1')
    Forecast                <- Forecast[-c(1,2)]
    Table               <- xtabs(~Truth + Forecast)
    False_Positive_Rate     <- c(False_Positive_Rate,Table[1,2] / (Table[1,1] + Table[1,2]))
    True_Positive_Rate      <- c(True_Positive_Rate,Table[2,2] / (Table[2,1] + Table[2,2]))
}

AUC                 <- 0

for(i in 2:NP) {
    AUC                 <- AUC + True_Positive_Rate[i] * (False_Positive_Rate[i] - False_Positive_Rate[i-1])
}

AUC

}

请注意：代码非常通用，可以应用于许多方法，例如 support vector machines、gradient boosting、random forests 等。希望将代码修改为您的需求。