包括交叉验证的平均特异性，敏感性，阳性预测值，阴性预测值Caret / R

问题描述

最近，我想出了如何使用R中的'插入符'库对随机森林算法执行k倍交叉验证。

library(caret)
library(mlbench)
set.seed(998)
data(Sonar)
inTraining <- createDataPartition(Sonar$Class,p = .75,list = FALSE)
training <- Sonar[ inTraining,]
testing  <- Sonar[-inTraining,]

fitControl <- trainControl(## 10-fold CV
                           method = "cv",number = 10)

set.seed(825)
rfFit1 <- train(Class ~ .,data = training,method = "rf",trControl = fitControl,verbose = FALSE)
rfFit1

但是，此代码仅产生平均准确度和平均kappa。通常，这些信息不足以完全了解给定模型的局限性。例如，如果数据具有类别不平衡（例如，二进制响应变量，95％的0级和5％的1级），则可以创建一个统计模型，该统计模型可以产生非常高的准确性，但也会完全错误地对少数类进行分类。这就是为什么查看诸如敏感度和特异性之类的补充绩效指标可能会有所帮助的原因。

在此示例中，是否可以添加交叉验证产生的平均敏感性和特异性？像这样的东西：https://imgur.com/a/085OAmm

谢谢

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）