Caret 中每次交叉验证的训练集和测试集的 ROC 曲线

Question

是否可以为 Caret 中的 5 折交叉验证中的每个折分别设置训练集和测试集的 ROC 曲线？

library(caret)
train_control <- trainControl(method="cv", number=5,savePredictions =  TRUE,classProbs = TRUE)
output <- train(Species~., data=iris, trControl=train_control, method="rf")

我可以执行以下操作，但我不知道它是否返回 Fold1 训练集或测试集的 ROC:

library(pROC) 
selectedIndices <- rfmodel$pred$Resample == "Fold1"
plot.roc(rfmodel$pred$obs[selectedIndices],rfmodel$pred$setosa[selectedIndices])

Answer 1

确实，documentation关于 rfmodel$pred 的内容根本不清楚 - 我敢打赌，其中包含的预测是针对用作测试集的折叠，但我无法指出文档中的任何证据；尽管如此，无论如何，您在尝试获取 ROC 的过程中仍然遗漏了一些要点。

首先，让我们将 rfmodel$pred 隔离在一个单独的数据框中，以便于处理:

dd <- rfmodel$pred

nrow(dd)
# 450

为什么是 450 行？这是因为您尝试了 3 个不同的参数集(在您的情况下，mtry 只有 3 个不同的值):

rfmodel$results
# output:
  mtry Accuracy Kappa AccuracySD    KappaSD
1    2     0.96  0.94 0.04346135 0.06519202
2    3     0.96  0.94 0.04346135 0.06519202
3    4     0.96  0.94 0.04346135 0.06519202

150 行 X 3 设置 = 450。

让我们仔细看看rfmodel$pred的内容:

head(dd)

# result:
    pred    obs setosa versicolor virginica rowIndex mtry Resample
1 setosa setosa  1.000      0.000         0        2    2    Fold1
2 setosa setosa  1.000      0.000         0        3    2    Fold1
3 setosa setosa  1.000      0.000         0        6    2    Fold1
4 setosa setosa  0.998      0.002         0       24    2    Fold1
5 setosa setosa  1.000      0.000         0       33    2    Fold1
6 setosa setosa  1.000      0.000         0       38    2    Fold1

• 列 obs 包含真实值
• 三列 setosa、versicolor 和 virginica 包含为每个类别计算的相应概率，并且每行的总和为 1
• 列 pred 包含最终预测，即上述三列中概率最大的类别

如果这就是整个故事，那么您绘制 ROC 的方式就可以了，即:

selectedIndices <- rfmodel$pred$Resample == "Fold1"
plot.roc(rfmodel$pred$obs[selectedIndices],rfmodel$pred$setosa[selectedIndices])

但这并不是故事的全部(仅存在 450 行而不是 150 行就应该已经给出了提示):注意名为 mtry;事实上，rfmodel$pred 包含所有次交叉验证运行的结果(即所有参数设置):

tail(dd)
# result:
         pred       obs setosa versicolor virginica rowIndex mtry Resample
445 virginica virginica      0      0.004     0.996      112    4    Fold5
446 virginica virginica      0      0.000     1.000      113    4    Fold5
447 virginica virginica      0      0.020     0.980      115    4    Fold5
448 virginica virginica      0      0.000     1.000      118    4    Fold5
449 virginica virginica      0      0.394     0.606      135    4    Fold5
450 virginica virginica      0      0.000     1.000      140    4    Fold5

这就是您的 selectedIndices 计算不正确的最终原因；它还应该包括 mtry 的特定选择，否则 ROC 没有任何意义，因为它“聚合”了多个模型:

selectedIndices <- rfmodel$pred$Resample == "Fold1" & rfmodel$pred$mtry == 2

--

正如我在一开始所说的，我敢打赌 rfmodel$pred 中的预测是针对作为测试集的文件夹；事实上，如果我们手动计算精度，它们与上面显示的 rfmodel$results 中报告的精度一致(所有 3 个设置均为 0.96)，我们知道这是用作 test 的文件夹/em>(可以说，各自的训练精度为1.0):

for (i in 2:4) {  # mtry values in {2, 3, 4}

acc = (length(which(dd$pred == dd$obs & dd$mtry==i & dd$Resample=='Fold1'))/30 +
    length(which(dd$pred == dd$obs & dd$mtry==i & dd$Resample=='Fold2'))/30 +
    length(which(dd$pred == dd$obs & dd$mtry==i & dd$Resample=='Fold3'))/30 +
    length(which(dd$pred == dd$obs & dd$mtry==i & dd$Resample=='Fold4'))/30 +
    length(which(dd$pred == dd$obs & dd$mtry==i & dd$Resample=='Fold5'))/30
)/5

print(acc) 
}

# result:
[1] 0.96
[1] 0.96
[1] 0.96