pROC 如何处理多级因子标签？

Question

我正在计算 R 中模型的 AUC。该模型已经过训练以预测两级因素（好/坏）。它已应用于具有三级结果（好/坏/缺失）的数据。我对得分部分很好。我根据每个观察的一组预测变量得到一个概率。

我不明白的部分是当我使用 roc(data$label, data$score) 计算 AUC 时会发生什么，因为现在 roc$label 有 3 个级别（好/坏/缺失），但分数是根据只有 2 个的数据训练的水平（好/坏）。新级别被忽略了吗？我是否应该从数据中手动排除所有此类观察结果以获得准确的 AUC 测量值？

data <- structure(list(label = structure(c(2L, 2L, 2L, 2L, 2L, 2L, 2L, 
2L, 1L, 2L, 2L, 3L, 2L, 2L, 2L, 2L, 1L, 2L, 1L, 2L), .Label = c("missing", 
"good", "bad"), class = "factor"), score = c(0.151147571051044, 
0.0411329810171418, 0.0688491931089625, 0.0457818202643564, 0.0411038297454905, 
0.0652004019004794, 0.105964115208592, 0.0538514549969684, 0.0415476305130247, 
0.0533831523731155, 0.0639788335617257, 0.0434341986489527, 0.0520826001358534, 
0.0642210548642832, 0.0536219837901353, 0.0415821872079014, 0.0416555537422, 
0.0491937562992912, 0.0469082976746886, 0.0538194884632293)), row.names = c(NA, 
-20L), class = c("tbl_df", "tbl", "data.frame"))

roc(data$label, data$score)

Answer 1

除非你有一个特别旧的 pROC 版本，或者你有一些使诊断消息静音的东西，它应该告诉你它在做什么：

> roc(data$label, data$score)
Setting levels: control = missing, case = good
Setting direction: controls < cases

如您所见，它使用“缺失”类作为对照或否定类。

它继续向您显示使用了哪些数据：

[...]
Data: data$score in 3 controls (data$label missing) < 16 cases (data$label good).

您可以再次观察到它使用“缺失”标签作为控制。

最后它给你一个提示，告诉你如何解决这个问题：

[...]
Warning message:
In roc.default(data$label, data$score) :
  'response' has more than two levels. Consider setting 'levels' explicitly or using 'multiclass.roc' instead

在您的情况下，最简单的方法是按照建议设置 levels 参数：

> roc(data$label, data$score, levels=c("good", "bad"))
Setting direction: controls > cases

Call:
roc.default(response = data$label, predictor = data$score, levels = c("good",     "bad"))

Data: data$score in 16 controls (data$label good) > 1 cases (data$label bad).
Area under the curve: 0.8125

现在它可以按照您的要求正确使用好/坏级别。

最后一件事，请注意 pROC 仍在自动设置方向：

Setting direction: controls > cases

您应该确保这与您在训练数据上获得的方向（无论正例高于还是低于负例）匹配。

train.roc <- roc(train.data$label, train.data$score, levels=c("good", "bad"))
roc(data$label, data$score, levels=c("good", "bad"), direction=train.roc$direction)

如果不这样做，您可能会在您的 AUC 中引入一些偏差，并且您可能会认为您的预测器表现出色，但实际上并非如此。

通常，您希望尽可能显式设置levels 和direction 参数。 如果方向在训练和测试之间以某种方式颠倒。

Answer 2

类别missing 是data$label 因子的三个级别之一。
您可以将missing 设置为真正的缺失，然后降低此级别：

library(pROC)
# Set 'missing' to a real missing
data$label[data$label=="missing"] <- NA
# Drop 'missing' levels from 'label' factor
data$label <- droplevels(data$label)
# ROC estimation
roc(data$label, data$score)

输出是：

Setting levels: control = good, case = bad
Setting direction: controls > cases

Call:
roc.default(response = data$label, predictor = data$score)

Data: data$score in 16 controls (data$label good) > 1 cases (data$label bad).
Area under the curve: 0.8125