r - 如何通过h2o.performance了解H2OModelMetrics对象的指标

Question

使用h2o.randomForest创建模型后，然后使用:

perf <- h2o.performance(model, test)
print(perf)

我得到以下信息(值H2OModelMetrics对象)

H2OBinomialMetrics: drf

MSE:  0.1353948
RMSE:  0.3679604
LogLoss:  0.4639761
Mean Per-Class Error:  0.3733908
AUC:  0.6681437
Gini:  0.3362873

Confusion Matrix (vertical: actual; across: predicted) 
for F1-optimal threshold:
          0    1    Error        Rate
0      2109 1008 0.323388  =1008/3117
1       257  350 0.423394    =257/607
Totals 2366 1358 0.339689  =1265/3724

Maximum Metrics: Maximum metrics at their respective thresholds
                        metric threshold    value idx
1                       max f1  0.080124 0.356234 248
2                       max f2  0.038274 0.515566 330
3                 max f0point5  0.173215 0.330006 131
4                 max accuracy  0.288168 0.839957  64
5                max precision  0.941437 1.000000   0
6                   max recall  0.002550 1.000000 397
7              max specificity  0.941437 1.000000   0
8             max absolute_mcc  0.113838 0.201161 195
9   max min_per_class_accuracy  0.071985 0.621087 262
10 max mean_per_class_accuracy  0.078341 0.626921 251

Gains/Lift Table: Extract with `h2o.gainsLift(<model>, <data>)` 
or `h2o.gainsLift(<model>, valid=<T/F>, xval=<T/F>)`

我过去常常查看敏感性(召回率)和特异性来比较我的预测模型的质量，但根据所提供的信息，我无法理解此类指标。根据上述信息，我如何评估我的预测的质量？

如果我使用混淆矩阵计算此类指标，我会得到:sens=0.58、spec=0.68，这与提供的信息不同。

是否有任何方法可以像我们使用 caret 包中的 confusionMatrix 那样获取此类值？

对我来说，这个指标更直观:

比logLoss指标。

Answer 1

h2o 中的二项式分类模型返回预测为“1”的概率 (p)(并且它们还会冗余地告诉您预测为“0”的概率，即1-p)。

要使用此模型，您必须决定截止。例如。你可以把它从中间分开，如果p > 0.5代表“1”，那么它就是“1”，否则它就是“0”。但您可以选择其他值，您在此报告中看到的是不同截止值下的模型质量:这就是您在“阈值”列中看到的内容。极值(请记住，基于您提供的测试数据)是这两个:

5                max precision  0.941437 1.000000   0
6                   max recall  0.002550 1.000000 397

即如果将截止值指定为 0.94，则具有完美的精度；如果将截止值指定为 0.00255，则具有完美的召回率。

它显示的默认混淆矩阵使用这一行:

3                 max f0point5  0.173215 0.330006 131

(this question 的答案似乎更详细地解释了该指标。)

就我个人而言，我发现最大准确度是最直观的:

4                 max accuracy  0.288168 0.839957  64

即最大准确度是指误差最小的阈值。

无论您决定哪个指标最合适，您仍然必须为现实世界中不可见的数据确定一个阈值。一种方法是根据您的测试数据使用表中的阈值(因此，如果我认为最大准确度最重要，我会在实时应用程序中使用 0.288 的阈值。)但我发现对阈值进行平均测试数据和训练数据得出更可靠的结果。

附注在抵抗了一段时间后，我开始成为logloss的粉丝。 。我发现针对最佳对数损失进行调整的模型(而不是针对最佳召回率、最佳精度、最佳准确度、最低 MSE 等进行调整)在转化为实际应用程序时往往会更加稳健。